新增PDF文本查找功能，支持多行正则和模糊匹配，优化匹配结果返回逻辑

src/find_text_in_pdf_enhanced.py

@@ -0,0 +1,168 @@
+import fitz  # pymupdf
+import regex   # 支持多行正则
+from rapidfuzz import fuzz
+
+def _merge_lines(lines):
+    """
+    把多行文本合并成一段，同时记录每行 bbox 的并集。
+    lines: list of (text, bbox)
+    return: (merged_text, merged_bbox)
+    """
+    if not lines:
+        return "", None
+    texts, bboxes = zip(*lines)
+    merged_text = "\n".join(texts)
+
+    # 合并 bbox：取所有 bbox 的最小 x0,y0 和最大 x1,y1
+    x0 = min(b[0] for b in bboxes)
+    y0 = min(b[1] for b in bboxes)
+    x1 = max(b[2] for b in bboxes)
+    y1 = max(b[3] for b in bboxes)
+    # 修改：将坐标转换为整数
+    return merged_text, (int(x0), int(y0), int(x1), int(y1))
+
+def _collect_lines(page):
+    """
+    把一页的所有行按阅读顺序收集起来。
+    return: list of (text, bbox)
+    """
+    lines = []
+    blocks = page.get_text("dict")["blocks"]
+    for blk in blocks:
+        if "lines" not in blk:
+            continue
+        for line in blk["lines"]:
+            line_text = "".join(span["text"] for span in line["spans"])
+            # 行级 bbox
+            x0 = min(span["bbox"][0] for span in line["spans"])
+            y0 = min(span["bbox"][1] for span in line["spans"])
+            x1 = max(span["bbox"][2] for span in line["spans"])
+            y1 = max(span["bbox"][3] for span in line["spans"])
+            # 修改：将坐标转换为整数
+            lines.append((line_text, (int(x0), int(y0), int(x1), int(y1))))
+    return lines
+
+def find_text_in_pdf(pdf_path,
+                     query,
+                     use_regex=False,
+                     threshold=80,      # rapidfuzz 默认 0~100
+                     page_range=None):  # 例如 (1,5) 只搜 1-4 页
+    """
+    高级查找函数
+    query: 正则表达式字符串 或 普通字符串
+    返回: list[dict] 每个 dict 含 page, bbox, matched_text
+    """
+    results = []
+    doc = fitz.open(pdf_path)
+    pages = range(len(doc)) if page_range is None else range(page_range[0]-1, page_range[1])
+
+    for p in pages:
+        page = doc.load_page(p)
+        lines = _collect_lines(page)          # [(text, bbox), ...]
+        if not lines:
+            continue
+
+        full_text, _ = _merge_lines(lines)    # 整页纯文本
+        positions = []                        # 记录匹配区间在 full_text 中的起止字符索引
+
+        if use_regex:
+            # regex 支持 (?s) 使 . 匹配换行
+            pattern = regex.compile(query)
+            for match in pattern.finditer(full_text):
+                positions.append((match.start(), match.end(), match.group()))
+        else:
+            # 模糊匹配：滑动窗口（整页 vs 查询）
+            # 修改：支持多个匹配结果并计算相似度分数
+            potential_matches = []
+            # 使用不同的方法获取多个可能的匹配
+            for i in range(len(full_text) - len(query) + 1):
+                if i < 0:
+                    continue
+                window_text = full_text[i:i + len(query)]
+                if window_text.strip():  # 只处理非空文本
+                    score = fuzz.partial_ratio(query, window_text)
+                    if score >= threshold:
+                        potential_matches.append((i, i + len(query), window_text, score))
+            
+            # 如果找到了潜在匹配，按分数排序并只取最高分的匹配
+            if potential_matches:
+                # 按分数降序排序
+                potential_matches.sort(key=lambda x: x[3], reverse=True)
+                # 只取分数最高的匹配
+                best_match = potential_matches[0]
+                positions.append((best_match[0], best_match[1], best_match[2]))
+
+        # 将字符区间映射回行
+        for start, end, matched_text in positions:
+            # 计算每一行在 full_text 中的起止字符偏移
+            offset = 0
+            matched_lines = []
+            for text, bbox in lines:
+                line_start = offset
+                line_end = offset + len(text)
+                # 检查该行是否与匹配区间有重叠 - 更严格的条件
+                if line_start < end and line_end > start:
+                    matched_lines.append((text, bbox))
+                # 修正：正确计算偏移量，包括换行符
+                offset += len(text) + 1  # 加上换行符的长度
+            # 修正：只有当确实匹配到文本时才添加结果
+            if matched_lines:
+                _, merged_bbox = _merge_lines(matched_lines)
+                results.append({
+                    "page": p + 1,
+                    "bbox": merged_bbox,
+                    "matched_text": matched_text
+                })
+    doc.close()
+    return results
+
+def highlight_matches(pdf_path, matches, output_path="highlighted.pdf"):
+    """
+    把 matches 里的 bbox 用黄色高亮写入新 PDF
+    matches: find_text_in_pdf(...) 的返回值
+    """
+    doc = fitz.open(pdf_path)
+    for m in matches:
+        page = doc.load_page(m["page"] - 1)  # 0-based
+        # 修改：确保坐标为整数（虽然已经是整数了，但为了保险起见）
+        bbox = m["bbox"]
+        rect = fitz.Rect(int(bbox[0]), int(bbox[1]), int(bbox[2]), int(bbox[3]))
+        page.add_highlight_annot(rect)       # 黄色高亮
+    doc.save(output_path)
+    doc.close()
+    print(f"已保存高亮 PDF：{output_path}")
+
+
+
+# ----------------- DEMO -----------------
+# if __name__ == "__main__":
+#     pdf_path = "example.pdf"
+#     # 例1：正则跨行匹配
+#     query_regex = r"条款\s*\d+\.?\s*[\s\S]*?责任限制"
+#     res = find_text_in_pdf(pdf_path, query_regex, use_regex=True)
+#     for r in res:
+#         print(r)
+
+#     # 例2：模糊匹配一句话
+#     res2 = find_text_in_pdf(pdf_path, "这是一段可能不完全一样的文本", threshold=75)
+#     for r in res2:
+#         print(r)
+
+
+if __name__ == "__main__":
+    pdf_path = 'F:\\2\\2024深化智慧城市发展推进城市全域数字化转型的指导意见.pdf'
+    query = '''2222二、全领域推进城市数字化转型
+（四）建立城市数字化共性基础。深化完善统一规划、统一架构、统一标准、统一运维的城市智能中枢体系，打造线上线下联动、服务管理协同的城市共性支撑平台，构建开放兼容、共性赋能、安全可靠的综合性基础环境，推进算法、模型等数字资源一体集成部署，探索建立共性组件、模块等共享协作机制。鼓励发展基于人工智能等技术的智能分析、智能调度、智能监管、辅助决策，全面支撑赋能城市数字化转型场景建设与发展。鼓励有条件的地方推进城市信息模型、时空大数据、国土空间基础信息、实景三维中国等基础平台功能整合、协同发展、应用赋能，为城市数字化转型提供统一的时空框架，因地制宜有序推进数字孪生城市建设，推动虚实共生、仿真推演、迭代优化的数字孪生场景落地。'''
+
+    # 1. 找跨行正则匹配
+    matches = find_text_in_pdf(
+        pdf_path,
+        query,  # 你的正则
+        threshold=75
+        
+    )
+    for match in matches:
+        print(f"第 {match['page']} 页 匹配: {match['matched_text'][:50]}... 位置: {match['bbox']}")
+
+    # 2. 高亮并保存
+    highlight_matches(pdf_path, matches, "example_highlighted.pdf")