PoDoFo从pdf中提取文本+坐标

PoDoFo Extract text + coords from a pdf

本文关键字：取文本 坐标 提取 pdf PoDoFo      更新时间：2023-10-16

我已经尝试使用PoDoFo C++库提取文本和行（以及它们各自的坐标）有一段时间了。但我没有办法做到这一点。

这就是我目前所拥有的：

#include <iostream>
#include <stdio.h>
#include <vector>
#include <podofo/podofo.h>
using namespace PoDoFo;
using namespace std;
int main( int argc, char* argv[] )
{
    const char* filename = "hello.pdf";
    PdfVecObjects *x = new PdfVecObjects();
    PdfParser parser(x, filename);
    parser.ParseFile("hello.pdf");
    for (TIVecObjects obj = x->begin(); obj != x->end(); obj++){
        PdfObject * a = x->RemoveObject(obj);
        // THIS IS MY PROBLEM VVVVVVVVVV
        cout << a->Reference().ToString() << endl;
    }
    return 0;
}

然而，这只给了我难以置信的基本信息（似乎是对象编号）

DEBUG: Size=12
DEBUG: Reading numbers: 0 12
DEBUG: Reading XRef Section: 0 with 12 Objects.
DEBUG: Size=12
DEBUG: Reading numbers: 0 12
DEBUG: Reading XRef Section: 0 with 12 Objects.
1 0 R
2 0 R
3 0 R
4 0 R
5 0 R
6 0 R
7 0 R
8 0 R
9 0 R
10 0 R
11 0 R

我想打印出一个对象的坐标，以及它是一行还是一段文字。如果是文本，我也希望能够打印出文本。有谁比我更了解这个图书馆，知道我能做些什么来解决这个问题吗？

这个答案将向您展示如何提取文本。

要获得文本定位信息，您还必须处理以下命令：

Tc、Tw、Tz、TL、T*、Tr和Tm。

你肯定需要从Adobe下载PDF规范才能获得所有详细信息。有一章专门讨论文本处理。打印出那一章是非常值得的，因为你会把它称为很多。你需要知道的一切都在那里，但并不总是显而易见的。

你还需要使用一些线性代数。不过没什么太复杂的。

由于有很多方法可以实现相同的结果，因此彻底实现所有命令是很重要的，即使要处理的文档似乎不需要某些功能。例如：我遇到一个文档，它将所有文本大小设置为一个点，这打乱了我所有的计算，直到我意识到它是使用文本缩放因子来设置实际字体大小。

使用PoDoFo工具"podofotxtextract"，它会为您提供x，y坐标（PoDoFo包的工具文件夹）。从Pdf中提取文本。

相关文章：