从现有的pdf中读取文本+图形（如线条）信息

Question

我想阅读现有的pdf＆amp;提取文本和图形信息。在图形中，目前我只需要绘制的线条。有许多供应商组件用于阅读PDF文本，但有哪些可以提供图形信息？虽然首选免费/开源，但我也可以使用免费/开源。

要求是：

对于PDF中的每个页面：

1. 阅读文本块

2. 了解文本块的画布坐标（包含块的矩形）。请注意，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， - 搜寻者

Answer 1

这是我的领域，虽然问题有点陈旧。希望这仍然有帮助。

你留下一些假设空间，所以这是我的：

• 你寻找一个脚本而不是独立的软件

• 您的对象是档案

  1. 您正在运行命令行脚本： 使用此命令行脚本，详细信息请参阅：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＆＃34;转换-background white -flatten test1.pdf test1.jpg＆＃34; （imagemagick）将整个PDF页面呈现为jpeg。如果你想将它裁剪成图像，那么它取决于项目的上下文来确定最佳的脚本。

一个相当复杂的问题。如果您希望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。