如何使用.net从pdf中提取带有坐标的单词？

Question

我正在使用带有变音符号的希伯来语 pdf。我想提取所有带有坐标的单词。我尝试使用 ITextSharp 和 pdfClown，但它们都没有给我想要的。

在 pdfClown 中，ITextSharp 中缺少字母\字符我没有得到单词坐标。

有办法吗？ （我正在寻找一个免费的框架\代码）

编辑：

PDF小丑代码：

    File file = new File(PDFFilePath);
    TextExtractor te = new TextExtractor();
    IDictionary<RectangleF?, IList<ITextString>> strs = te.Extract(file.Document.Pages[0].Contents);

    List<string> correctText = new List<string>();
    foreach (var key in strs.Keys)
    {
        foreach (var value in strs[key])
        {
            string reversedText = new string(value.Text.Reverse().ToArray());
            string cleanText = RemoveDiacritics(reversedText);
            correctText.Add(cleanText);
        }
    }

Answer 1

您没有展示如何尝试使用 iText(Sharp) 提取文本。我假设您正在关注官方文档，并且您的代码如下所示：

public string ExtractText(byte[] src) {
    PdfReader reader = new PdfReader(src);
    MyTextRenderListener listener = new MyTextRenderListener();
    PdfContentStreamProcessor processor = new PdfContentStreamProcessor(listener);
    PdfDictionary pageDic = reader.GetPageN(1);
    PdfDictionary resourcesDic = pageDic.GetAsDict(PdfName.RESOURCES);
    processor.ProcessContent(
       ContentByteUtils.GetContentBytesForPage(reader, 1), resourcesDic);
    return listener.Text.ToString();
}

如果您的代码看起来不像这样，这说明已经解释了您做错的第一件事。

在此方法中，有一个类不属于 iTextSharp：MyTextRenderListener。这是一个你应该写的类，它看起来像这样：

public class MyTextRenderListener : IRenderListener {
    public StringBuilder Text { get; set; }

    public MyTextRenderListener() {
        Text = new StringBuilder();
    }
    public void BeginTextBlock() {
        Text.Append("<");
    }
    public void EndTextBlock() {
        Text.AppendLine(">");
    }
    public void RenderImage(ImageRenderInfo renderInfo) {
    }
    public void RenderText(TextRenderInfo renderInfo) {
        Text.Append("<");
        Text.Append(renderInfo.GetText());
        LineSegment segment = renderInfo.GetBaseline();
        Vector start = segment.GetStartPoint();
        Text.Append("| x=");
        Text.Append(start[Vector.I1]);
        Text.Append("; y=");
        Text.Append(start[Vector.I2]);
        Text.Append(">");
    }    
}

当您运行此代码并查看Text 中的内容时，您会注意到PDF 文档不存储单词。相反，它存储文本块。在我们的特殊IRenderListener 中，我们使用< 和> 指示文本块的开始和结束。在这些文本块中，您会找到文本 sn-ps。我们将像这样标记文本 sn-ps：<text snippet| x=36.0000; y=806.0000> 其中 x 和 y 值为您提供基线起点的坐标（而不是上升和下降位置）。您还可以获得基线的结束位置（以及上升/下降）。

现在，您如何从所有这些中提取文字？你得到的文本 sn-ps 的问题在于它们与单词不对应。例如看这个文件：hello_reverse.pdf

当您在 Adob​​e Reader 中打开它时，您会看到“Hello World Hello People”。您希望在内容流中找到四个单词，不是吗？实际上，您会发现：

<>
<<ld><Wor><llo><He>>
<<Hello People>>

要从第一行提取单词“World”和“Hello”，您需要做大量的数学运算。您必须使用GetCharacterRenderInfos() 方法，而不是获取在渲染侦听器的RenderText() 方法中返回的TextRenderInfo 对象的基线。这将返回一个TextRenderInfo 对象列表，为您提供有关每个字符的更多信息（包括这些字符的位置）。然后你需要用这些不同的字符组合单词。

这在 mkl 对这个问题的回答中有解释：Retrieve the respective coordinates of all words on the page with itextsharp

我们做过类似的项目。此处描述了其中之一：https://www.youtube.com/watch?v=lZnbhnU4m3Y

您需要进行大量编码才能使其正确。关于 PdfClown 的一句话：您的文本可能以 UNICODE 形式存储在您的 PDF 中。为了检索正确的字符，解析器需要检查存储在字体中的字形和相应的 UNICODE 字符的映射。如果 PdfClown 不能做到这一点，这意味着 PdfClown 没有正确地完成这个任务。 PdfClown 是一个单人项目，因此您必须要求该开发人员解决此问题（如果他有时间）。

从视频中可以看出，iText 可以为您提供帮助，但 iText 是一家在美国、比利时和新加坡设有子公司的公司。这是一家拥有许多员工的公司，要让公司保持运转，我们需要赚钱（这就是我们支付员工的方式）。因此，您不应期望我们免费为您提供帮助。当然，您也可以理解这一点，因为您也不想免费工作，对吗？