如何从PDF文档中特定矩形区域内提取文本？

Question

我需要在一个特定的矩形区域内从pdf文档中提取文本。具体流程如下：首先将pdf转换为jpg图像，然后用户在图片上绘制选择矩形。接着，我需要从pdf文档中提取所有在该选择区域内的文本。有没有什么免费的pdf库可以从C#进行访问并使用呢？

- mmierins

---

https://dev59.com/enrZa4cB1Zd3GeqP00sR - dovid

可能是Get text occurrences contained in a specified area with iTextSharp的重复问题。 - bfontaine

Answer 1

这段代码将使用itextsharp根据矩形坐标完美地提取pdf数据。

    List<string> linestringlist = new List<string>();
    PdfReader reader = new PdfReader(pdfFilename);
    iTextSharp.text.Rectangle rect = new iTextSharp.text.Rectangle(coordinate1, coordinate2, coordinate3, coordinate4);
    RenderFilter[] renderFilter = new RenderFilter[1];
    renderFilter[0] = new RegionTextRenderFilter(rect);
    ITextExtractionStrategy textExtractionStrategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), renderFilter);
    string text = PdfTextExtractor.GetTextFromPage(reader, 1, textExtractionStrategy);

- shailendra

---

你在哪个地方使用了 linestringlist？ - B.K.

这里的 linestringList 有什么用？ - Tk1993

Answer 2

我同意，OCR不是在这里使用的方法。 您需要一个PDF库，可以提取文本和边界框坐标。

QuickPDF是一个商业库（www.quickpdf.com），可以以非常合理的价格249美元提取所需信息。 http://www.quickpdflibrary.com/help/quickpdf/DAExtractPageText.php 是您要查找的功能。 这将提取整个页面的文本，然后您需要使用简单的点和/或矩形函数将文本限制为所选矩形。

根据我的研究，我不认为iText具有此功能。

您还应阅读如何从PDF中提取文本？

- Andrew Cash

Answer 3

我建议您，一旦将PDF光栅化为JPEG图像，使用文本识别（OCR）提取所选区域内的文本。这里有一个关于.NET OCR库的文章。至于从PDF中提取文本，这里有一篇文章说明如何实现相对可靠的方法。问题在于如何由用户识别所选矩形内的文本。

- Darin Dimitrov

---

这不是一个选择。我需要100%的准确性。OCR并不是100%准确的。而且单个PDF文件中可能包含多种语言的文本。据我所知，目前没有免费的OCR库可以同时支持多种语言的OCR。 - mmierins

@davidgale，我非常怀疑这种问题存在免费解决方案。你可以看看第二个选项，从PDF中提取文本，并查看它是否在你的情况下可靠。但是你仍然需要弄清楚选择区域，这不是一件容易的事情，我也不知道有哪个免费库能够做到这一点。 - Darin Dimitrov

Answer 4

（免责声明 - 我在Atalasoft的PDF产品部门工作）Atalasoft's PdfReader 可以实现此功能。虽然它不是免费软件，但它运行非常良好。以下是代码示例：

using (PdfTextDocument doc = new PdfTextDocument(pathToFile)) {
    PdfTextPage page = doc.GetPage(pageNumber);
    string text = page.GetTextInBox(yourSelection);
}

- plinth