按坐标提取PDF文本

Question

我想知道在Microsoft .NET中是否有一些PDF库，能够通过给定坐标来提取文本。

例如（伪代码）：

PdfReader reader = new PdfReader();
reader.Load("file.pdf");

// Top, bottom, left, right in pixels or any other unit
string wholeText = reader.GetText(100, 150, 20, 50);

我尝试使用基于IKVM的PDFBox for .NET进行翻译，但没有成功，并且该软件似乎非常过时且文档不全。或许有人用PDFBox、iTextSharp或其他开源库做过这个事情，可以给我一些提示吗？谢谢！

- Matías Fidemraizer

---

难道你不认为缩放视图会改变指定坐标处的文本吗？基于表示中数据位置来提取数据，特别是当它可能会发生变化时，似乎不是库开发人员会费心实现的功能。 - Maxim V. Pavlov

不知道有哪个开源库能够胜任这项任务... 如果商业库是一个选项，我可以提供一两个链接... - Yahia

@Maxim 你说得对，但我的项目将有一个固定大小的PDF查看器，所以我认为这不是你所说的情况。例如，在Adobe Reader中，当您选择像图像这样的东西并进行缩放和缩小时，选择也会被调整大小。也许可以通过某个库来实现这一点。事实上，Apache PDFBox有一些类似于提供矩形选择区域的功能，这意味着我并不像你想象的那么疯狂:D - Matías Fidemraizer

@Yahia，这将取决于定价，但请在评论中给我这些提示，我会看一下。 - Matías Fidemraizer

Answer 1

谢谢大家的帮助。

我使用了 Apache 的 PDFBox 在 IKVM 编译之上，以下是最终代码：

PDDocument doc = PDDocument.load(@"c:\invoice.pdf");

PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.addRegion("testRegion", new java.awt.Rectangle(0, 10, 100, 100));
stripper.extractRegions((PDPage)doc.getDocumentCatalog().getAllPages().get(0));

string text = stripper.getTextForRegion("testRegion");

它的工作效果非常好。

无论如何，感谢您，我希望我的答案能帮助其他人。如果您需要更多细节，请在此处发表评论，我将更新此答案。

- Matías Fidemraizer

---

我想在pdfsharp或c#中实现同样的功能，请帮帮我。 - Vivek Parikh

要使用上面答案中的代码，您必须设置IKVM。虽然对我来说需要一些时间进行调查，但这很简单。您需要引用以下库：IKVM.OpenJDK.Core.dll、IKVM.OpenJDK.SwingAWT.dll、pdfbox-1.8.2.dll（通过ikvmc -target:library pdfbox-1.8.2.jar命令获取），IKVM.OpenJDK.Util.dll和IKVM.Runtime.dll。 - Alexander Smirnov

在Java中，这对我非常有效。唯一的问题是我必须试错来获取我想要提取的文本的坐标。有什么想法可以从PDF中提取它们吗？尝试了SO上的几个选项，但效果不太好。(https://dev59.com/G2ox5IYBdhLWcg3wyHTc) - Gaurav Parek

Answer 2

希望这能对你有所帮助（以及其他使用ABCPDF的人）！虽然它不是开源的。我今天早些时候通过循环遍历PDF中可用的字段来完成此操作。这意味着您使用的PDF需要正确创建，并且您需要知道要获取文本的字段名称（您可以通过添加断点并循环遍历可用字段来解决此问题）。

WebSupergoo.ABCpdf6.Doc newPDF = new WebSupergoo.ABCpdf6.Doc();
newPDF.Read("existing_file.pdf");

foreach ( WebSupergoo.ABCpdf6.Objects.Field field in newPDF.Form.Fields )
{
    if ( field.Name == "Text1" )
    {
        // update "Text1"
        field.Value = "new value for Text1";
    }
}

newPDF.Save("new_file.pdf");

newPDF.Clear();

在这个例子中，“Text1”是正在更新的字段的名称。请注意，我还提供了一个保存更新字段的示例。

希望这至少让您了解如何解决这个问题。

- Ben Pearson

---

嗯，我的问题不是迭代字段。我需要提供坐标并获取“矩形的情况”。抱歉。但还是谢谢。 - Matías Fidemraizer

字段对象公开了一个属性“Rect”。如果您知道他们点击的位置，可以通过查看Rect的顶部/底部/右侧/左侧来返回与坐标匹配的字段。可能有使用不同库的更好方法，但如果您卡住了，这种方法可能有效。 - Ben Pearson

好的，知道了，这是另一个资源。我正在寻找一些更任意选择的库，但没关系。 - Matías Fidemraizer

Answer 3

这应该可以工作：

RenderFilter[] filters = new RenderFilter[1];
LocationTextExtractionStrategy regionFilter = new LocationTextExtractionStrategy();
filters[0] = new RegionTextRenderFilter(new Rectangle(llx,lly,urx,ury));
FilteredTextRenderListener strategy = new FilteredTextRenderListener(regionFilter, filters);

String result = PdfTextExtractor.GetTextFromPage(pdfReader, i, strategy);
Console.WriteLine(result);

- Timo Hoen

Answer 4

iText的RegionTextRenderFilter正是您所需要的。 因此，您需要像这样的东西（请原谅我的Java，但翻译应该很简单）：

PdfReader reader = new PdfReader(path);

FilteredTextExtractionStrategy regionFilter = 
  new FilteredTextExtractionStrategy( new SimpleTextExtrationStrategy, 
                                      new RegionTextRenderFilter( someRect ) );
String regionText = PdfTextExtractor.getTextFromPage(reader, 0, regionFilter );

- Mark Storer

---

很好，知道还有另一种解决相同问题的选择，所以如果使用PDFBox for .NET有些问题，我会去看看。无论如何，为你的贡献点赞。 - Matías Fidemraizer

嘿，我正在尝试您的解决方案，但似乎 iTextSharp（.NET 版本）没有这样的策略... - Matías Fidemraizer

和Marias一样的问题--在.NET中如何实现这个？ - Richard West

Answer 5

这段代码将在iText 7中工作

PdfReader reader = new PdfReader("D:/Sample2.pdf");
PdfDocument pdfDoc = new PdfDocument(reader);
Rectangle rect = new Rectangle(208, 508, 235, 519);
TextRegionEventFilter regionFilter = new 
TextRegionEventFilter(rect.SetBbox(208, 508, 235, 519));
ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
FilteredEventListener listener = new FilteredEventListener();
LocationTextExtractionStrategy extractionStrategy = listener.AttachEventListener(new LocationTextExtractionStrategy(), regionFilter);
new PdfCanvasProcessor(listener).ProcessPageContent(pdfDoc.GetPage(1));
String text = extractionStrategy.GetResultantText();

- siva lakkakula

Answer 6

你可能想看一下这个示例。它使用了itextsharp。

var pdfFilename = @"PathToYourPDF\random.pdf";
var textToFind = "Lombok";
var pageNumber = 1;
var point = PdfTools.GetTextCoordinate(textToFind, pdfFilename , pageNumber);
Console.WriteLine($"{point.X},{point.Y}");

- Roni Stiawan