[Bug] ValueError: could not convert string to float: 'Td' about pdf2docx

[dothinking]

谢谢，很好的问题和解释。我一直没注意PDF操作符例如这里的K和文本内容的冲突，尽管测试的文件里也有单独的k，K等字符。这个问题也暗示了按照目前的解析方法，其他操作符也存在冲突的可能。

所以，你提交的 #36 是针对你的具体问题的临时修复方法。为了彻底解决，可否提供复现这个问题的pdf文件（可以删除不便公开的内容）？谢谢。

[smilelight]

测试pdf已经发送至您的邮箱：[email protected]，抱歉刚开始用QQ邮箱一直没有投递成功，所以又用Gmail投递了一次，所以共投递了两次相同的内容。
解析程序在执行至第24页时即报错，所以您可以在测试时将页面解析限制在该页，即

parse(pdf_path, docx_path, start=24, end=25)

错误信息为：

Processing 24/357...
Traceback (most recent call last):
  File "E:/Projects/GiteeProjects/doc_parser/tests/pdf2docx_test.py", line 11, in <module>
    parse(pdf_path, docx_path, start=24, end=25)
  File "D:\Software\Anaconda3\envs\file_parse\lib\site-packages\pdf2docx\main.py", line 33, in parse
    cv.parse(page).make_page()
  File "D:\Software\Anaconda3\envs\file_parse\lib\site-packages\pdf2docx\converter.py", line 116, in parse
    self.init(page).parse(**self._debug_kwargs)
  File "D:\Software\Anaconda3\envs\file_parse\lib\site-packages\pdf2docx\converter.py", line 94, in init
    self._layout.rects.from_stream(page_content, page.transformationMatrix)
  File "D:\Software\Anaconda3\envs\file_parse\lib\site-packages\pdf2docx\shape\Rectangles.py", line 61, in from_stream
    rects = pdf.rects_from_stream(xref_stream, M)
  File "D:\Software\Anaconda3\envs\file_parse\lib\site-packages\pdf2docx\common\pdf.py", line 335, in rects_from_stream
    c, m, y, k = map(float, lines[i-4:i])
ValueError: could not convert string to float: 'Td'

正如您所提到的其他的操作符也存在冲突的可能，我发现在pdf2docx/common/pdf.py中相关数据切分代码为：

# check xref stream word by word (line always changes)    
lines = xref_stream.split()
rects = []

我猜想，是不是以行为单位进行切分再进行后面的逻辑判断是否会更加合理，然而看您的注释专门提到word by word (line always changes)应该是有其他因素促使您使用目前的策略。

[dothinking]

多谢提供测试文件及最后的建议。

根据PDF规范 ，PDF内容形式一般为a b c op，其中op是操作符例如设置颜色、画线等等，前面a, b, c等是参数，具体个数因op而异。但是xref_stream并非一行正好一条命令，有可能几组命令在一行，也就是上面word by word处理的原因。

重新查看了PyMuPDF的文档，发现page.cleanContents()正好进行这样的清理工作，那就适用按行处理的建议了，不仅效率更高而且更直观。本地已经测试通过，接下来我会再更新一个小版本。

[smilelight]

好的，感谢您的回复~