如何从pdf中提取文本和单词坐标？答案

【问题标题】：How to extract text and word coordinates from pdf?如何从pdf中提取文本和单词坐标？
【发布时间】：2023-03-11 20:55:01
【问题描述】：

如何在 .NET 中从 PDF 文档中提取文本？另外，如何获取页面上每个单词的坐标？我可以使用iTextSharp 或其他一些组件来执行此操作吗？

【问题讨论】：

iTextSharp 是一种可能，但 PDF 提取通常不像人们想象的那么容易，因为 pdf 中的文本并不总是按照预期的顺序。
感谢 Citykid。我们没想到会出现相同的顺序。您有使用 iTextSharp 的示例代码或文档吗？
抱歉没有示例代码，几周前我刚刚深入探讨了这个主题，我记得 iTextSharp 是最常用的工具，而且转换通常不像我希望的那么简单成为。我用于测试的第一个文档会引起订单问题。
看at this answer 以及从那里链接的答案。这将为您提供一些关于如何开始使用 iText(Sharp) 的想法。对于 PDFBox，请查看其示例 PrintTextLocations。
非常感谢 mkl。我想使用 iTextSharp 从文本 pdf 中提取文本和单词坐标。在下面提到的链接中，我上传了文本 pdf。对于该 pdf，任何人都可以找到单词坐标吗？我不知道 itextsharp docs.google.com/file/d/0B_nzYHWVJJ7KQ0dPLWdyS2FBWUk/…

标签： .net vb.net pdf

【解决方案1】：

在Docotic.Pdf library的帮助下可以轻松完成任务。

下面的代码将所有单词及其坐标写入系统控制台，并在每个找到的单词周围绘制矩形。

public static void extractAndDrawWordBounds(string inputFileName, string outputFileName)
{
    using (PdfDocument pdf = new PdfDocument(inputFileName))
    {
        PdfPage page = pdf.Pages[0];
        foreach (PdfTextData data in page.GetWords())
        {
            System.Console.WriteLine(data.ToString());
            page.Canvas.DrawRectangle(data.Bounds);
        }

        pdf.Save(outputFileName);
    }

    System.Diagnostics.Process.Start(outputFileName);
}

除此之外，该库还可以提取格式化文本（PdfPage.GetTextWithFormatting 方法）甚至单个字符（PdfPage.GetChars 方法）

免责声明：我是该库的开发人员之一。

【讨论】：

非常感谢 mkl。我想使用 iTextSharp 从文本 pdf 中提取文本和单词坐标。在下面提到的链接中，我上传了文本 pdf。对于该 pdf，任何人都可以找到单词坐标吗？我不知道 itextsharp docs.google.com/file/d/0B_nzYHWVJJ7KQ0dPLWdyS2FBWUk/…

【解决方案2】：

试试PDFLib TET

这是我发现的最好的工具，但它不是免费的（而且也不便宜）。

【讨论】：

非常感谢。我想使用 iTextSharp 从文本 pdf 中提取文本和单词坐标。在下面提到的链接中，我上传了文本 pdf。对于该 pdf，任何人都可以找到单词坐标吗？我不知道 itextsharp docs.google.com/file/d/0B_nzYHWVJJ7KQ0dPLWdyS2FBWUk/…