按坐标提取 PDF 文本答案

【问题标题】：Extract PDF text by coordinates按坐标提取 PDF 文本
【发布时间】：2011-11-16 08:14:30
【问题描述】：

我想知道 Microsoft .NET 中是否有一些 PDF 库能够通过提供坐标来提取文本。

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);

我尝试过使用 PDFBox for .NET（在 IKVM 上运行的那个）这样做，但没有成功，它似乎已经过时且没有文档。

也许任何人都有使用 PDFBox、iTextSharp 或任何其他开源库的良好示例，他/她可以给我一个提示。

提前谢谢你。

【问题讨论】：

你不认为缩放视图会改变指定坐标处的文本吗？根据他们在表示中的位置提取数据，尤其是当它可能发生变化时，在我看来，这就像一个 lib 开发人员不会费心在他们的应用程序中实现的功能。
不知道有什么开源库可以做到这一点...如果可以选择商业库，我可以提供一两个链接...
@Maxim 你说得对，但我的项目将有一个固定大小的 PDF 查看器，所以我相信这不是你所说的情况。例如，在 Adobe Reader 中，当您选择图像之类的内容并放大和缩小时，所选内容也会调整大小。也许这可以通过一些库以某种方式实现。事实上，Apache PDFBox 有类似选择区域提供矩形的功能，这意味着我没有你想象的那么疯狂：D
@Yahia，这将取决于定价，但在 cmets 中给我这些提示，我会看看。

标签： c# pdf .net-4.0

【解决方案1】：

嗯，谢谢大家的努力。

我在 IKVM 编译之上使用 Apache 的 PDFBox 得到它，这是最终代码：

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");

它就像一个魅力。

无论如何，谢谢你，我希望我自己的回答能帮助别人。如果您需要更多详细信息，请在此处发表评论，我会更新此答案。

【讨论】：

我想要 pdfsharp 中的相同内容或 c# 中的内容。请帮助我。
要使用上述答案中的代码，您必须设置 IKVM。这很简单，尽管我花了一些时间进行调查。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、IKVM.Runtime.dll
它在 Java 中对我来说也是一种魅力。只有我必须点击并跟踪我想要拉出的文本的坐标。任何想法我如何从pdf中获取这些。尝试了一些 SO 选项，但效果不佳。(stackoverflow.com/questions/8971243/…)

【解决方案2】：

它不是开源的，但希望这可以帮助您（可能还有其他使用 ABCPDF 的人！）

我今天早些时候通过遍历 PDF 中的可用字段来做到这一点。这意味着您使用的 PDF 需要正确创建，并且您需要知道要为其获取文本的字段名称（您可以通过添加断点并循环访问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();

在示例中，“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。

希望这至少能让您了解如何解决这个问题。

【讨论】：

嗯，这不是我的问题迭代字段的目标。我需要给出坐标并得到“矩形是什么”。对不起。不过还是谢谢你。
字段对象公开了一个属性“Rect”。如果您知道他们单击的位置，则可以通过查看 Rect 的顶部/底部/右侧/左侧来返回与坐标匹配的字段。使用不同的库可能有更好的方法，但如果您遇到困难，这可能会起作用。
嗯，很高兴知道和另一个资源。我一直在寻找一些库以更随意的方式进行此类选择，但没关系。

【解决方案3】：

这应该可行：

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);

【讨论】：

【解决方案4】：

iText 的RegionTextRenderFilter 正是您要找的。p>

所以你想要这样的东西（原谅我的 Java，但翻译起来应该很简单）：

PdfReader reader = new PdfReader(path);

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

【讨论】：

好吧，很高兴知道有另一个选项可以解决同样的问题，所以如果使用 PDFBox for .NET 有一些问题，我会看看。无论如何，为您的贡献 +1。
嘿，我正在尝试你的解决方案，但 iTextSharp（.NET 版本）似乎没有这样的策略......
和 Marias 一样的问题——如何在 .NET 中完成？

【解决方案5】：

此代码将在 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();

【讨论】：

【解决方案6】：

你可能想看看this sample。它使用 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}");

【讨论】：