给 PDF 搜索词画高亮，矩形为什么会框错斜体文字

本文使用合成样本演示处理方法。代码已通过隔离环境中的示例检查；这不代表对所有真实文件或产品效果的保证。处理重要文件前，请保留原件，并按文中的边界与验收项复核。 这篇先解决哪一个问题 斜体字形不必然让搜索得到的 Quad 面积小于外接矩形。需要保留四角方向信息时，直接使用 quads=True 的结果添加高亮；不要以任意面积差阈值判断高亮是否正确。 自包含的合成示例 依赖见导入列表。代码在内存中构造输入；运行记录单独提供，不代表对所有真实文件的保证。 import pymupdf with pymupdf.open() as source: page = source.new_page(width=300, height=300) page.insert_text((100, 250), "Searchable", fontsize=14, rotate=90) hits = page.search_for("Searchable", quads=True) assert len(hits) == 1 assert isinstance(hits[0], pymupdf.Quad) page.add_highlight_annot(hits) assert page.search_for("Missing", quads=True) == [] raw = source.tobytes() with pymupdf.open(stream=raw, filetype="pdf") as doc: page = doc[0] # Keep the owning page alive while using annotations. annotations = list(page.annots()) assert len(annotations) == 1 assert len(annotations[0].vertices) == 4 合成示例：正确输出与边界输入处理 为了验证这一行为，我们构造一个完全自包含的合成测试用例。注意，以下代码在内存中生成PDF，无需外部文件即可运行。 边界输入与错误处理： 若搜索词跨越了换行符且未被引擎识别为同一词汇单元， search_for 可能返回空列表或仅匹配到部分片段。此时不应强行合并多个不相邻的 Quad 为一个 Rect，这会丢失中间空白区域的语义。正确的做法是保留所有返回的 Quad 片段，分别绘制高亮。另一个常见边界是搜索词包含正则特殊字符但未转义；应在调用前对输入字符串做安全处理。此外，若页面存在 CropBox 裁切， search_for 返回的坐标仍基于未旋转的原始页面空间，恢复 CropBox 后需验证内容是否仍在可视区内，不可假定 get_text 默认忽略裁切区域。 验收标准与人工审查边界 明确不适用范围：本方案仅解决几何定位问题。若PDF本身文本层损坏、字体嵌入异常或存在隐藏图层， search_for 的结果可能根本不可信。此类情况不属于Quads/Rects的选择问题，应交由人工审查或重新OCR。代码演示仅验证几何属性，端到端效果仍需结合具体文档类型评估。 参考资料与下一步行动 PyMuPDF Page.search_for 官方文档: https://pymupdf.readthedocs.io/en/latest/page.html#Page.search_for PyMuPDF 坐标系说明: https://pymupdf.readthedocs.io/en/latest/page.html#coordinates 具体异常的处理决定 观察 应做什么 不应推断 搜索无命中 核对文本层与关键词 不创建空高亮 旋转文字 保留 Quad 四角 不按面积差猜测正确性 多处命中 逐项保留页号 不要只处理第一个 将这份检查清单用于文档翻译 先把页面顺序、来源位置与文本完整性检查清楚，再把同一份脱敏样本交给翻译流程。译后仍要检查标题、正文和图注是否正确对应，不能只看文字是否通顺。 OmniDoc（产品入口） 提供多格式文档翻译入口，官网介绍了 OCR、术语表与双语对照功能。对希望直接从文件开始处理的团队，这是一条值得用实际样本评估的路径。请使用有权上传的脱敏文件，并用本篇的检查项复核结果；这里不声称 OmniDoc 使用了本文的开源库或内部算法，也不以示例代替产品性能测试。 - 1 -