Python：如何使用 PyMuPDF (import fitz ) 提取 PDF 文本區塊並存儲為 DataFrame ; text: List[ Tuple[float|str|int] ] = page.get_text(“blocks”)

import os
import fitz  # PyMuPDF
import pandas as pd
from typing import List, Tuple

# 假設 pathes 是包含 PDF 文件路徑的列表
pathes = ["path/to/pdf1.pdf", "path/to/pdf2.pdf"]

for pdf_path in pathes:
    # 獲取 PDF 文件的基礎名稱（無擴展名）
    main_fname_pdf = os.path.splitext(os.path.basename(pdf_path))[0]
    
    # 打開 PDF 文件
    doc = fitz.open(pdf_path)
    
    # 初始化用於存儲數據的列表
    data = []
    
    # 遍歷 PDF 的每一頁，提取文字內容
    for page_num in range(len(doc)):
        page = doc[page_num]
        
        # 提取文本區塊（返回一個包含多個區塊的列表）
        text: List[Tuple[float, float, float, float, str, int, int]] = page.get_text("blocks")
        """
        [(18.0,   #x0
        13.59375, #y0
        166.0,    #x1
        21.59375, #y1
        'Confidential:20230901203757478_110548\n', #content
        0, #block_no
        0 #block_type),...]
        block_no：在頁面中的順序。
        block_type：區塊的類型（0: 文本，1: 圖片，2: 矢量圖形）
        """
        
        # 遍歷每個文本區塊
        for block in text:
            x0, y0, x1, y1, content, block_no, block_type = block
            
            # 僅處理文本類型的區塊（block_type == 0）
            if block_type == 0:
                data.append([page_num + 1, x0, y0, x1, y1, content.strip()])
    
    # 將提取的數據轉為 pandas DataFrame
    df = pd.DataFrame(data, columns=["Page", "x0", "y0", "x1", "y1", "Text"])
    
    # 保存到 CSV 文件（可選）
    output_csv_path = f"{main_fname_pdf}_output.csv"
    df.to_csv(output_csv_path, index=False)
    print(f"已成功處理並保存文件：{output_csv_path}")