从PDF中提取带有坐标和大小的图像和文字

Question

我已经阅读了很多关于PDF提取和库（如iText）的内容，但我仍然没有找到一种从PDF中提取图像和文本（带坐标）的解决方案。

任务是扫描产品目录PDF并提取每个图像。每个图像旁边都有一个“图像代码”，还有一个列出显示在图像上的产品的“产品代码”列表。

我知道无法从这样的PDF中提取结构化信息，但是通过所有图像和文本对象的坐标，我可以编写代码来识别与图像距离相近的链接文本。然后，我可以使用正则表达式拆分文本，并找出哪些是“产品代码”，哪些是“图像代码”等。

您能推荐一个好的、有效的解决方案吗？

- Alex

---

你是否针对特定的平台/语言进行开发？当你说“扫描”时，是指“浏览”还是实际上正在扫描物理对象，因此需要OCR功能？ - Chris Haas

感谢您的回复！我使用.NET进行编程，因此任何具有.NET移植的库都很好。但我也了解JAVA，所以在紧急情况下，我可以使用Java库。无论如何，我不需要OCR。我的PDF包含文本和图像。文本呈现在PDF的内容流中，因此我需要一种解析器/渲染器，只需告诉我字符串应该呈现在页面的哪个位置。我只需要坐标。 - Alex

Answer 1

使用XPDF (http://www.foolabs.com/xpdf/)

它可以提取PDF中的所有字符，带有坐标信息(pdftotext -bbox [源文件] [输出文件])，并且还可以提取PDF中的所有图像和SVG格式。

它是开源软件(GPLv2)，并支持许多其他提取功能。

- Balamurugan Muthiah

---

我已经使用 pdftotext 多年了，从来没有意识到它有这个功能！以前从来没有找到过如何轻松提取坐标。 - fred2

这正确吗？bbox选项对我似乎不起作用，而且在文档中找不到任何相关信息。 - jss

Answer 2

有几个Java库可以做到这一点。你看过JPedal或PdfBox吗？

- mark stephens

---

我刚刚尝试了使用RenderListener的iTextSharp。它似乎可以工作，但效果不是很好。对于我的PDF，iTextSharp返回具有正确坐标的图像，但所有文本层的坐标都不正确。我认为我的PDF有两个文本层，而iTextSharp没有给我坐标。我试图在图像框上绘制iTextSharp返回的内容，很快就发现有3个层（1个用于图像，2个用于文本），而这些层根本没有对齐。 - Alex

你能分享一下提取图像坐标的代码吗？renderImage接收ImageRenderInfo作为参数，我该如何从中提取坐标呢？ - letronje

Answer 3

如果商业库是您的选择，您可以尝试Amyuni PDF Creator .Net或Amyuni PDF Creator ActiveX。您可以使用方法IacDocument.GetObjectsInRectangle检索所有感兴趣的“图形对象”，然后使用ObjectType属性将图像与文本分开。该库已经提供了一个算法来将相邻的文本放在一起。从文档中可以看到：

IacDocument.GetObjectsInRectangle Method

The GetObjectsInRectangle method gets all the objects that are in the specified rectangle.

适用于通常的免责声明。

- yms