请问，python如何识别pdf中的注释？

我有一个pdf文档，其中的一些页面里，包含一些直线或曲线标注的注释。
我想要做以下事情：
1. 让python认出这些注释
2. python把带注释的页提取出来合成一份新的pdf文件。

关于2:目前用pyPdf找到一些思路，如果能返回我想要的页码，这个问题就容易解决了。

关于1:这个还没搞清楚。查看了PDFMiner，由于我是初学编程，网上又没有特别对口的实例，所以未果；也有人推荐poppler，这个好像还不是纯python写的，貌似比PDFMiner还要难上手。

请问大家有什么好办法么？

Python

PDF

注释

6 条回复 • 1970-01-01 08:00:00 +08:00

crazybubble

2013-12-26 10:14:07 +08:00

你可以先用pdfminer试试parse一个sample pdf看看，然后看那些直线和曲线标注的text pdfminer有没有给你特殊处理，我记得是没有的。。。pdfminer好像只能parse出text。而且pdfminer会把fi这个组合parse成一个单独的字符。。

Shieffan

2013-12-26 10:30:06 +08:00

之前搞过，读annotation的话就用poppler-python，最多50行代码。

写annotation到PDF的话就poppler qt4。

Linux上的几个PDF reader基本都是基于poppler的，poppler-gtk的文档基本没有，但是qt4的文档比较丰富。

Shieffan

2013-12-26 10:33:12 +08:00

“python把带注释的页提取出来合成一份新的pdf文件”---现成的库你就别想了，除非你自己再写个poppler的python binding。

musray

2013-12-26 12:40:08 +08:00

@crazybubble 是啊，我在网上搜了搜PDFMiner的用法，好像多是谈论pdf中的文字转txt或者html格式。以后再找时间慢慢熟悉。

musray

2013-12-26 12:42:54 +08:00

@Shieffan 我只需要读annotation，只好硬着头皮再研究研究poppler。有问题再请教，谢谢。

musray

2013-12-28 09:50:52 +08:00

@Shieffan 用./configure 安装poppler的时候出现了一个提醒：
No package 'pygtk-2.0' found
No package 'atk' found
No package 'poppler-glib' found

Consider adjusting the PKG_CONFIG_PATH environment variable if you
installed software in a non-standard prefix.

Alternatively, you may set the environment variables PYPOPPLER_CFLAGS
and PYPOPPLER_LIBS to avoid the need to call pkg-config.
See the pkg-config man page for more details.

意思是要手动修改PKG_CONFIG_PATH? 应该如何做呢？