如何从pdf图像中查找文本？答案

【问题标题】：How to find text from pdf image?如何从pdf图像中查找文本？
【发布时间】：2012-09-25 18:36:04
【问题描述】：

我正在开发一个 C# 应用程序，我在其中将 PDF 文档转换为图像，然后在自定义查看器中呈现该图像。

在尝试在生成的图像中搜索特定单词时，我遇到了一些障碍，我想知道最好的方法是什么。我应该找到搜索词的 x,y 位置吗？

【问题讨论】：

whathaveyoutried.com
我已经尝试使用 ITextSharp 和 aspose 库从 pdf 中提取文本，然后从该文本中查找单词，但我想从图像中查找文本。
感谢编辑。现在问题很清楚了。

标签： c# asp.net ocr

【解决方案1】：

您可以在控制台模式下使用tessract OCR image 进行文本识别。

我不知道这样的pdf SDK。

但是，如果你想获取所有单词的坐标和值，你可以使用下一个我的不复杂的代码，感谢nguyenq 的 hocr 提示：

public void Recognize(Bitmap bitmap)
{
    bitmap.Save("temp.png", ImageFormat.Png);
    var startInfo = new ProcessStartInfo("tesseract.exe", "temp.png temp hocr");
    startInfo.WindowStyle = ProcessWindowStyle.Hidden;
    var process = Process.Start(startInfo);
    process.WaitForExit();

    GetWords(File.ReadAllText("temp.html"));

    // Futher actions with words
}

public Dictionary<Rectangle, string> GetWords(string tesseractHtml)
{
    var xml = XDocument.Parse(tesseractHtml);

    var rectsWords = new Dictionary<System.Drawing.Rectangle, string>();

    var ocr_words = xml.Descendants("span").Where(element => element.Attribute("class").Value == "ocr_word").ToList();
    foreach (var ocr_word in ocr_words)
    {
        var strs = ocr_word.Attribute("title").Value.Split(' ');
        int left = int.Parse(strs[1]);
        int top = int.Parse(strs[2]);
        int width = int.Parse(strs[3]) - left + 1;
        int height = int.Parse(strs[4]) - top + 1;
        rectsWords.Add(new Rectangle(left, top, width, height), ocr_word.Value);
    }

    return rectsWords;
}

【讨论】：

我不想让事情变得复杂。是否有任何简单的方法或 sdk 可以为我提供 pdf 图像中任何单词的坐标。
@urz - 这是一个简单的 SDK。 OCR 或文本提取不是很复杂，但也不是很简单。您必须付出一定程度的努力或努力才能解决此问题。
是的，但它是 exe，而不是 dll，因为 tesseract 是 C++ 库，并且在控制台模式下使用它更容易，它在我的代码中是如何显示的。
thnx..我能找到办法。

【解决方案2】：

使用 ITextSharp 下载它here。确保 PDF 是可搜索的。

并使用此代码：

public static string GetTextFromAllPages(String pdfPath)
{
    PdfReader reader = new PdfReader(pdfPath); 

    StringWriter output = new StringWriter();  

    for (int i = 1; i <= reader.NumberOfPages; i++) 
        output.WriteLine(PdfTextExtractor.GetTextFromPage(reader, i, new SimpleTextExtractionStrategy()));

    return output.ToString();
}

【讨论】：

我不想让事情变得复杂。是否有任何简单的方法或 sdk 可以为我提供 pdf 图像中任何单词的坐标。
@urzshah - 我想不出这不是难以置信的简单。 5行代码并不复杂。您可能需要重新考虑“简单”的含义，因为没有比这更容易的了
我想从 pdf 图像而不是实际 pdf 中查找文本。上面的代码似乎是从 pdf 而不是 pdf 图像中提取文本。