Pdf editor

PDF 模板改写技能

核心流程

PDF 原件 → 判断材质 → OCR 文本块 → 像素分类 → 关系发现 → doc_definition.json → engine.py → 新 PDF

第 0 步:判断 PDF 材质

import fitz
doc = fitz.open("未知.pdf")
page = doc[0]
blocks = page.get_text("dict")["blocks"]
text_spans = sum(1 for b in blocks for l in b.get("lines",[]) for _ in l["spans"])
images = page.get_images(full=True)
print(f"文字段:{text_spans}  嵌入图:{len(images)}")

情况	处理策略
文字段多(>50)、图片少	文字层主导 → 直接改 PDF 文字流
文字段少(<10)、图片是大图	图片层主导 → 拍平→像素编辑→重建

第 1 步:渲染 + OCR

DPI = 200  # A4@200DPI ≈ 1653x2338,匹配常见扫描件分辨率
mat = fitz.Matrix(DPI/72, DPI/72)
pix = page.get_pixmap(matrix=mat)
img = Image.frombytes("RGB", (pix.width, pix.height), pix.samples)
# → 喂给 OCR(macOS Vision / Tesseract / PaddleOCR)

OCR 产出: text, bbox(x,y,w,h), confidence

第 2 步:文本块分类

2.1 像素特征提取

对每个 OCR 块采样:

• 颜色: median([p for p in pixels if sum(p) < 600]) — 先过滤白背景再取中位数
• 粗细: 水平扫描笔画宽度均值 > 4.8px @200DPI → 粗体
• 字高: bbox 高度(近似)
• 对齐: x 坐标相对页面中线判断 left/center/right

2.2 分类规则(按优先级)

规则 1: 字号最大 + 页面顶部 → "主标题"
规则 2: 有颜色 + 字号偏大 → "章节标题"
规则 3: x < 100 + 字号偏大 → "章节标题"
规则 4: x 在段落基准线附近 + 常规体 → "正文"
规则 5: 正文区内 + 粗体 + 有颜色 → "填入变量"
规则 6: 正文区内 + 粗体 + 无颜色 → "强调文字"
规则 7: 右对齐 + 页面底部 → "签名区"
规则 8: 有颜色文字 → 检查是否填入变量

第 3 步:关系发现

3.1 下划线检测

下划线 = "纵向孤立 + 横向连续"的暗像素行:

for y in range(y_min, y_max):
    # 上下 2px 少暗像素 → 纵向孤立(不是文字行)
    if above_dark > 200 or below_dark > 200: continue
    # 水平连续暗段 > 80px → 下划线
    runs = find_dark_runs(gray[y], threshold=100, min_length=80)

3.2 标签-变量配对(segments 切分)

沿 x 轴逐像素扫描,颜色或粗细变化处切开:

for x in range(block.x, block.x + block.w, 2):
    color = sample_vertical_stripe(img, x, y, y+h)
    bold = measure_stroke_at(img, x, y, y+h)
    if color_diff(color, prev) > 30 or bold != prev_bold:
        segments.append({ "x0": seg_start, "x1": x, ... })

结果:同一行拆为 [标签]/[变量]/[标签]/[变量]/[标签],每段独立样式。

3.3 缩进层级

所有块 x 坐标 KMeans 聚类(n=5) → section < body < list1 < list2 < indent

第 4 步:行距测量

水平投影 + 平滑 + 寻峰:

proj = np.sum(gray < 128, axis=1)
smoothed = uniform_filter1d(proj, size=5)
peaks = find_peaks(smoothed)
gaps = [peaks[i+1] - peaks[i]]

第 5 步:产出 doc_definition.json

分析结果	JSON 映射
纯标签行	text_template、style 统一
标签+变量混合行	segments,每段独立 color/font_weight/underline
有下划线	下划线绑定到对应 segment(动态宽度)
有缩进	draw_x + draw_x_first
图形/Logo	action: "erase" + texture_fill

segments 示例 (混合样式行):

"segments": [
  { "text": "{标签前缀}", "font_weight": "regular" },
  { "text": "{变量}", "font_weight": "bold", "color": "{FILL_COLOR}",
    "underline": { "color": "{UNDERLINE_COLOR}", "width": 2 } }
]

第 6 步:渲染引擎要点

• 页面尺寸必须精确匹配图像像素: pw = img.width * 72.0 / DPI(否则亚像素缩放导致全页色偏)
• 颜色变量全部用 {KEY} 占位符,引擎从 config 取值
• 下划线渲染时动态计算: x = cur_x ± margin
• Logo 擦除用 texture_fill(采样周边像素填充,避免纯色补丁)
• 字体优先用系统黑体(Hiragino Sans GB),PDF 内嵌字体可能是空子集

第 7 步:验证

1. python engine.py
2. 渲染输出 PDF → OCR → 比对变量值
3. 像素扫描 → 下划线存在 + 颜色正确
4. 原版 vs 输出像素 diff → 未修改区域色偏 < 5
5. 人工目视

常见坑

问题	原因	解决
嵌入字体渲染空白	CID 子集 glyph 轮廓为空	用 fontTools 逐字形检查 numberOfContours;降级系统字体
颜色采样偏暗	阈值太严,白色背景拉偏中位数	先过滤 sum(p)<600,再取中位数+众数验证
全页色偏	A4 尺寸和图像像素不整除	页面 pt = 图像 px * 72 / DPI
下划线错位	JSON 硬编码坐标	segments 模式,渲染时动态累加 cur_x
纯色填充有接缝	纯色 vs JPEG 纹理不一致	texture_fill 采样周边像素填充
同 pt 不同字体高度不同	字体 metrics 差异	实测渲染字高,遍历 pt 找匹配值

跨项目可复用模块

模块	功能
analyze_block(img,bbox)	采样式: 颜色/粗细/字高/对齐
classify_block(features)	规则引擎 → 类型标签
find_underlines(img,y0,y1)	下划线检测
segment_mixed_line(img,block)	沿 x 轴切分混合样式行
cluster_indent_levels(blocks)	x 坐标聚类 → 缩进层级
measure_line_spacing(img,y0,y1)	水平投影+寻峰 → 行距
build_doc_definition(classified)	分类结果 → JSON 生成
engine.py	通用渲染引擎
verify.py	OCR+像素对比验证