PDF 里的一个金额，怎样找回它在页面上的位置

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。 一张对账单里出现两次 1,200.00 ：一次在应付金额栏，一次在说明文字里。全文搜索能找到它们，却不能替你决定哪一个是业务字段。直接取第一个命中，是一种很难被发现的错误——结果看起来像正确的金额，来源却已经错了。 如果这份表单的版式固定，先限定一个已知区域，再查文字，往往比继续加正则表达式更容易解释。关键不是“只找到一个框”，而是把零命中、多命中都当成明确结果处理，不让程序擅自替业务做选择。 留下词的位置，而不只留下文字 PyMuPDF 的 page.get_text("words") 返回带位置的词记录。常见字段为 (x0, y0, x1, y1, text, block_no, line_no, word_no) 。下面的示例只取前五个字段，后三个编号暂时不参与区域筛选。 这里的词是提取器给出的片段，不一定等于语言学意义上的一个词，更不保证一个金额永远是完整片段。 1,200.00 可能被拆开，也可能带上相邻标签。本文只处理完整片段的精确匹配：宁可把不满足条件的记录交出去复核，也不悄悄拼接成一个貌似合法的金额。 两个相同金额的合成页面 我们在内存中新建一页 PDF，把同一个金额分别放到纵坐标 120 与 420 附近。查询区域只覆盖上方金额。文字插入点是基线位置，不是文本框左上角；真实框的高度、宽度会受字体和字号影响，因此不能把坐标写死成“必然等于某个值”。 正确输出应该满足两个条件：候选只有一个，而且候选矩形完整包含在查询区域内。随后再把查询范围扩大到整页，应该得到两个候选，从而进入歧义分支。最后用不在页面上的字符串检查零命中。这比只演示一次成功查找更接近真实接口所需的契约。 可运行代码：把候选数量交给调用方 依赖为 pymupdf ，请在测试环境安装并锁定版本。下面不访问网络、不写文件，也不会修改原有客户文档。它构造的只有演示用 PDF。 import pymupdf def locate(page, target, query): query = pymupdf.Rect(query) candidates = [] for word in page.get_text("words"): x0, y0, x1, y1, text = word[:5] box = pymupdf.Rect(x0, y0, x1, y1) if text == target and query.contains(box): candidates.append(tuple(box)) return candidates def decide(candidates): if len(candidates) == 0: return "missing" if len(candidates) > 1: return "ambiguous" return "unique" with pymupdf.open() as doc: page = doc.new_page(width=595, height=842) page.insert_text((80, 120), "1,200.00", fontsize=11) page.insert_text((80, 420), "1,200.00", fontsize=11) query = pymupdf.Rect(72, 100, 300, 150) local = locate(page, "1,200.00", query) assert decide(local) == "unique" assert query.contains(pymupdf.Rect(local[0])) assert decide(locate(page, "1,200.00", page.rect)) == "ambiguous" assert decide(locate(page, "999.99", query)) == "missing" print("unique / ambiguous / missing cases passed") contains 要求完整包含，而不是只碰到区域边缘。如果查询框太紧，靠边的金额可能落入零命中；这不是应该自动放宽到全页的理由。先检查你测量区域时用的坐标系，再决定调整范围。若业务确实允许中心点落入即可，应该另写规则，并为边界重叠补测试，不要在同一函数里暗中改变含义。 三种结果，三种处理方式 结果 可能原因 建议动作 唯一命中 区域内只有一个完整匹配片段 保存页号、原文、矩形与规则版本 零命中 区域不对、金额被拆分、文本层缺失 标记原因候选，检查原页，不补零 多命中 同一区域有重复金额，或模板已变化 返回全部候选，结合标签或人工消歧 有框但数值不对 文本层本身错误或匹配目标不对 回到原始页面核对，不让坐标替数值背书 框看着偏移 显示坐标和提取坐标混用 明确旋转、裁切与渲染缩放的转换链 生产逻辑不应只靠 assert 拦截异常，因为优化模式可能移除断言。示例里它用于回归检查，真正接入任务队列时应使用明确的条件分支和业务状态。 这不是通用金额提取器 代码没有解析币种、千位分隔符或小数规则，也没有识别“本期应付”与“上期结余”的语义。候选唯一，不等于业务含义唯一。扫描件还需要先得到可用文字与位置；有文本层但内容错误的页面，也不能仅凭“能复制”就放行。 本文使用未旋转的合成页。真实页面有旋转时，应先说明查询框来自显示画面还是提取坐标，必要时转换；不要不分来源一律乘一个矩阵。保存来源页时也要区分从零开始的索引与面向人的页码，免得审校打开相邻页后以为证据不存在。 把关键数字留给翻译后的复核 文档翻译不只看句子通不通顺，金额、日期、数量这些关键内容也要逐项确认。 OmniDoc（产品入口） 提供多种文档的翻译入口，官网介绍的双语对照可作为复核入口；坐标定位脚本则适合保留原文证据、帮助定位问题区域。 先用有权上传的脱敏样本评估。译文变长后，内容位置可能合理变化，不能把“新旧坐标完全相同”当成翻译正确的硬条件。更有价值的检查是金额是否保留、币种是否明确、对应标签是否仍然指向同一业务含义。技术检查和人工复核分工清楚，比任何一句“完全保真”都更能帮助交付。 接下来保存一组失败样本 找出你实际模板中的零命中和多命中页面，分别记录原因，再决定是补区域规则、增加标签约束，还是转用另一条提取路线。不要用一个随意设定的百分比替所有业务决定切换条件。 接口字段参考： PyMuPDF Page.get_text 。本文合成样例不代表真实账单的准确率测试。 - 1 -