search_for in Fitz

[maivan-hoa]

I have two pdf files: File_A.pdf and File_B.pdf. These two files have the same content, I just reversed the sentence order in the two files. But the search_for function doesn't work with File_A.

Below is the code that I use:

import fitz
import os

input_file = r'./path_to_file.pdf'
list_text = ['Quy định tại Điều 7, Điều 8 và Điều 9 Thông tư này.', 'Quy định tại Điều 4, Điều 5 và Điều 6 Thông tư này.']

doc = fitz.open(input_file)

for page in doc:
    for text in list_text:
        ### SEARCH
        rlist = page.search_for(text)
        print('TEXT: ', text)
        print('RLIST: ', rlist)

• When using the code with File_A.pdf, I get the following result:

TEXT:  Quy định tại Điều 7, Điều 8 và Điều 9 Thông tư này.
RLIST:  []

TEXT:  Quy định tại Điều 4, Điều 5 và Điều 6 Thông tư này.
RLIST:  []

• When using the code with File_B.pdf, I get the following result:

TEXT:  Quy định tại Điều 7, Điều 8 và Điều 9 Thông tư này.
RLIST:  [Rect(85.30000305175781, 78.54861450195312, 95.26360321044922, 96.95781707763672), Rect(95.5, 80.78265380859375, 124.55408477783203, 96.06507873535156), Rect(124.31999969482422, 78.54861450195312, 146.1239776611328, 96.95781707763672), Rect(145.9499969482422, 80.78265380859375, 379.6589660644531, 96.06507873535156), Rect(380.20001220703125, 78.54861450195312, 383.6500244140625, 96.95781707763672)]

TEXT:  Quy định tại Điều 4, Điều 5 và Điều 6 Thông tư này.
RLIST:  [Rect(85.30000305175781, 58.11856460571289, 113.34999084472656, 76.52776336669922), Rect(113.5199966430664, 60.35260009765625, 124.55408477783203, 75.63502502441406), Rect(124.31999969482422, 58.11856460571289, 146.1239776611328, 76.52776336669922), Rect(145.9499969482422, 60.35260009765625, 152.07508850097656, 75.63502502441406), Rect(151.9499969482422, 58.11856460571289, 159.00039672851562, 76.52776336669922), Rect(159.17999267578125, 60.35260009765625, 179.10508728027344, 75.63502502441406), Rect(178.97000122070312, 58.11856460571289, 203.97557067871094, 76.52776336669922), Rect(204.1999969482422, 60.35260009765625, 214.16590881347656, 75.63502502441406), Rect(214.42999267578125, 58.11856460571289, 218.26638793945312, 76.52776336669922), Rect(218.02999877929688, 60.35260009765625, 224.15509033203125, 75.63502502441406), Rect(224.02000427246094, 58.11856460571289, 262.30023193359375, 76.52776336669922), Rect(262.4800109863281, 60.35260009765625, 282.39508056640625, 75.63502502441406), Rect(282.29998779296875, 58.11856460571289, 348.5863952636719, 76.52776336669922), Rect(348.3500061035156, 60.35260009765625, 366.6212158203125, 75.63502502441406), Rect(366.9800109863281, 58.11856460571289, 383.622802734375, 76.52776336669922)]

I also attached these two files below. Look forward to the help of everyone!
File_A.pdf
File_B.pdf

[JorjMcKie]

Interesting problem!
The answer is that you did not just change the sequence of the sentences. No idea what you did, but look here. I extracted the text from both pages splitting it into lines. Then compared the lines that look equal:

print(f"{texta[1]=}")  # line 2 from File_A
texta[1]='Quy định tại Điều 4, Điều 5 và Điều 6 Thông tư này. '
print(f"{textb[0]=}")  # line 1 from File_B
textb[0]='Quy định tại Điều 4, Điều 5 và Điều 6 Thông tư này. '
texta[1] == textb[0]  # !!!
False
len(texta[1])  # even different lengths!
57
len(textb[0])
52

[maivan-hoa]

Did you change the font when converting from docx to odt? I did the same steps as you: convert docx file to odt, convert odt file to pdf, but the search_for function still doesn't work.
I use Libreoffice command line to do the conversion:

• [libreoffice_exec(), '--headless', '--convert-to', 'odt', '--outdir', folder_save, path_file_source]
• [libreoffice_exec(), '--headless', '--convert-to', 'pdf', '--outdir', folder_save, path_file_source]

[JorjMcKie]

I opened the docx with LibreOffice editor, then saved it in ODT format. Then swapped those two lines and saved it in a different ODT.
Then opened each ODT and executed "Export" directly to PDF.

[maivan-hoa]

I just downloaded two files file-a.pdf and file-b.pdf and tested your code, but the search_for function only runs with file-b.pdf

import fitz
doc=fitz.open(r'C:\Users\User\Desktop\file-a.pdf')
print(doc[0].get_text())
# Quy định tại Điều 7, Điều 8 và Điều 9 Thông tư này.
# Quy định tại Điều 4, Điều 5 và Điều 6 Thông tư này.

text="Quy định tại Điều 4, Điều 5 và Điều 6 Thông tư này."
page=doc[0]
print(page.search_for(text))
# []

I use PyMuPDF 1.23.5

[maivan-hoa]

I don't understand why the search_for function doesn't always produce results. I use your file file-a.pdf and the code below, but when running that code many times, there will be times when search_for will return an empty array.

doc=fitz.open(r'./file-a.pdf')
text = doc[0].get_text()
print(text)

print(doc[0].search_for(text))

file-a.pdf

[JorjMcKie]

No idea. Did the following without problem.

import fitz
doc=fitz.open("file-a.pdf")
page=doc[0]
text=page.get_text().splitlines()[1]
doc.close()
def find_text():
    doc=fitz.open("file-a.pdf")
    page=doc[0]
    r=page.search_for(text)
    if not r:
        print("text not found!")
    doc.close()

    
find_text()
for i in range(100):
    find_text()

    
for i in range(1000):
    find_text()