Trích xuất hình ảnh và từ có tọa độ và kích thước từ PDF

Question

Tôi đã đọc nhiều về trích xuất và thư viện PDF (dưới dạng iText) nhưng tôi chưa tìm thấy giải pháp trích xuất hình ảnh và văn bản (có tọa độ) từ PDF.

Nhiệm vụ là quét PDF với danh mục sản phẩm và trích xuất từng hình ảnh. Có một mã hình ảnh được in bên cạnh mỗi hình ảnh và cũng có một danh sách mã sản phẩm cho các sản phẩm được hiển thị trên hình ảnh.

Tôi biết rằng không có cách nào để trích xuất thông tin có cấu trúc từ PDF như thế này nhưng với tọa độ của tất cả các đối tượng hình ảnh và văn bản tôi có thể viết mã để xác định văn bản được liên kết. Sau đó, tôi có thể chia văn bản sử dụng một RegExp và tìm ra một mã sản phẩm là gì, một mã ảnh, vv

bạn có thể đề nghị một giải pháp tốt và làm việc cho công việc là gì?

Answer 1

Một số thư viện Java có thể thực hiện việc này. Bạn đã xem JPedal hay PdfBox chưa?

Answer 2

Nếu thư viện thương mại là tùy chọn cho bạn, bạn có thể thử Amyuni PDF Creator .Net hoặc Amyuni PDF Creator ActiveX. Bạn có thể sử dụng phương thức IacDocument.GetObjectsInRectangle để truy xuất tất cả "đối tượng đồ họa" mà bạn quan tâm, sau đó sử dụng thuộc tính ObjectType để tách hình ảnh khỏi văn bản. Thư viện đã cung cấp một thuật toán để đặt văn bản gần nhau lại với nhau. Từ tài liệu:

IacDocument.GetObjectsInRectangle Method 

The GetObjectsInRectangle method gets all the objects that are in the specified rectangle. 

Tuyên bố từ chối trách nhiệm thông thường được áp dụng.

Answer 3

Sử dụng xpdf (http://www.foolabs.com/xpdf/)

Nó có thể trích xuất tất cả các nhân vật trong PDF với tọa độ (pdftotext -bbox [sourcefile] [outputfile]) và cũng có tất cả các hình ảnh và SVGs trong PDF.

Đó là mã nguồn mở (GPLv2) và cũng hỗ trợ nhiều chức năng trích xuất bổ sung.