如何根据其位置从PDF中提取文本？答案

【问题标题】：How to extract text from PDF according to its location?如何根据其位置从PDF中提取文本？
【发布时间】：2014-04-20 09:34:27
【问题描述】：

我有多个 PDF，我想从它们的第一页中提取某个区域的文本。因此，鉴于我有 PDF 中文本边界框的坐标，如何使用命令行提取该文本。

我研究了一下，发现 PDFMiner 和 PDFBox 可以做到这一点。但是 PDFMiner 的文档记录很差。

谁能告诉我如何使用 PDFMiner 做到这一点？或者您是否可以提出其他解决方案？

PS：我在 Linux 终端上。

【问题讨论】：

标签： linux pdf pdfminer

【解决方案1】：

您可以使用 PDFBox。 https://pdfbox.apache.org/apidocs/org/apache/pdfbox/util/PDFTextStripperByArea.html

PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition( true );
List allPages = document.getDocumentCatalog().getAllPages();
PDPage firstPage = (PDPage)allPages.get( 0 );
stripper.extractRegions( firstPage );
stripper.addRegion( "class1", rectangle );
System.out.println( "Text in the area:" + rectangle );
System.out.println( "Text: " + stripper.getTextForRegion( "class1" ) );

这里的rectange是java.awt包的Rectangle类的对象。 http://docs.oracle.com/javase/7/docs/api/java/awt/Rectangle.html

Rectangle rectange = new Rectangle(int x, int y, int width, int height);

【讨论】：

【解决方案2】：

pdftotext（采用基于 Poppler 的最新版本之一）确实允许您定义一个页面区域以从中提取文本。

试试这个：

pdftotext    \
  -f 5       \
  -l 7       \
  -x 200     \
  -y 700     \
  -W 144     \
  -H 80      \
   input.pdf \
   output.txt

它选择页面范围 5-7，以及一个宽度 = 144 点 (72 points == 1 inch)、高度 = 80 点的矩形，其中左上角位于 x 坐标 200 和 y 坐标 700。

【讨论】：

哇！智能解决方案。我从没想过使用pdftotext。这完美地工作。谢谢。
我已经赞成这个答案，也接受了这个答案。也许刷新你的页面或其他东西。
是的。我在没有实际测试的情况下对其进行了投票。经过测试，我终于接受了。