从现有 pdf 中读取文本 + 图形（如线条）信息

Question

我想阅读现有的 pdf 并提取文本和图形信息。在图形中，目前我只需要绘制的线条。阅读 PDF 文本的供应商组件很多，但是否也有可以提供图形信息的供应商组件？虽然首选免费/开源，但我也可以接受商业。

要求是：

对于 PDF 中的每一页：

1. 读取文本块

2. 了解文本块（包含块的矩形）的画布坐标。注意，对于字体较大的文本，矩形大小会发生变化。

3. 行 - 需要为 pdf 页面中的每一行收集 (x1,y1,x2,y2)

谢谢， - 探索者

Answer 1

这是我的领域，虽然这个问题有点老了。希望这仍然有帮助。

你留了一些假设的空间，所以这是我的：

• 您寻求的是脚本，而不是独立软件

• 你的对象是档案

  1. 您正在运行命令行脚本： 使用这个命令行脚本，详细地址：http://stefaanlippens.net/extract-images-from-pdf-documents

  2. 您正在使用 imagemagick 或 graphicsmagick 函数运行服务器端代码： 像“convert -background white -flatten test1.pdf test1.jpg”（imagemagick）之类的东西会将整个 PDF 页面呈现为 jpeg。如果您想将其裁剪为图像，则取决于项目的上下文来确定执行此操作的最佳脚本。

一个相当复杂的问题。如果您想提供有关该项目的更多详细信息，那么我可以提供更多指导。祝你好运。