Sí, es posible con una combinación de pdfminer (pip install pdfminer.six) y PyPDF2.
Primero, busque las coordenadas (por ejemplo, como this). Entonces resaltarlo:
#!/usr/bin/env python
"""Create sample highlight in a PDF file."""
from PyPDF2 import PdfFileWriter, PdfFileReader
from PyPDF2.generic import (
DictionaryObject,
NumberObject,
FloatObject,
NameObject,
TextStringObject,
ArrayObject
)
def create_highlight(x1, y1, x2, y2, meta, color=[0, 1, 0]):
"""
Create a highlight for a PDF.
Parameters
----------
x1, y1 : float
bottom left corner
x2, y2 : float
top right corner
meta : dict
keys are "author" and "contents"
color : iterable
Three elements, (r,g,b)
"""
new_highlight = DictionaryObject()
new_highlight.update({
NameObject("/F"): NumberObject(4),
NameObject("/Type"): NameObject("/Annot"),
NameObject("/Subtype"): NameObject("/Highlight"),
NameObject("/T"): TextStringObject(meta["author"]),
NameObject("/Contents"): TextStringObject(meta["contents"]),
NameObject("/C"): ArrayObject([FloatObject(c) for c in color]),
NameObject("/Rect"): ArrayObject([
FloatObject(x1),
FloatObject(y1),
FloatObject(x2),
FloatObject(y2)
]),
NameObject("/QuadPoints"): ArrayObject([
FloatObject(x1),
FloatObject(y2),
FloatObject(x2),
FloatObject(y2),
FloatObject(x1),
FloatObject(y1),
FloatObject(x2),
FloatObject(y1)
]),
})
return new_highlight
def add_highlight_to_page(highlight, page, output):
"""
Add a highlight to a PDF page.
Parameters
----------
highlight : Highlight object
page : PDF page object
output : PdfFileWriter object
"""
highlight_ref = output._addObject(highlight)
if "/Annots" in page:
page[NameObject("/Annots")].append(highlight_ref)
else:
page[NameObject("/Annots")] = ArrayObject([highlight_ref])
def main():
pdf_input = PdfFileReader(open("samples/test3.pdf", "rb"))
pdf_output = PdfFileWriter()
page1 = pdf_input.getPage(0)
highlight = create_highlight(89.9206, 573.1283, 376.849, 591.3563, {
"author": "John Doe",
"contents": "Lorem ipsum"
})
add_highlight_to_page(highlight, page1, pdf_output)
pdf_output.addPage(page1)
output_stream = open("output.pdf", "wb")
pdf_output.write(output_stream)
if __name__ == '__main__':
main()
Esto generalmente no es 100% a prueba de tontos, como cualquier compilador PDF - incluso un viejo y fiel uno como pdftex podría dibujar inlines pdf cada cual su lugar ... ¿Estás seguro de que sus archivos PDF se ser leído de tal manera? – Gleno
La forma en que lo veo, la función 'buscar' en Evince (o en la mayoría de los otros lectores de PDF, para el caso) básicamente hace lo que quiero: resalta el texto combinado, básicamente en cualquier PDF. Si puede mostrar tal resalte en la pantalla, ¿por qué no renderizarlo en un archivo? – Jake
Es un poco complicado, porque PDF generalmente no proporciona flujo de texto. Es más como una imagen: el texto puede aparecer en cualquier lugar. A menudo, se ve bien para el lector, pero internamente es un desastre. A saber: a menudo la justificación del texto se logra al dividir el texto y simplemente colocar líneas para que parezca justificado. De todos modos, cuando Evince resalta algo, o bien está siendo inteligente, su PDF se comporta bien o simplemente tiene suerte porque esa cadena en particular reside como una entidad continua en el PDF. De todos modos, eche un vistazo a http://itextpdf.com/ y es la mejor biblioteca gratuita que hay. – Gleno