在 PDF 页面上确定“感兴趣的框”

【问题标题】：Determining "boxes of interest" on a PDF page在 PDF 页面上确定“感兴趣的框”
【发布时间】：2010-11-03 19:36:46
【问题描述】：

我希望能够确定 PDF 页面上文本、图像和路径区域的边界框，类似于此处显示的内容：

http://www.windjack.com/products/screenshot/pdfcanscreenshot2.html

查看 PDF 规范，我可以看到如何确定路径和图像的边界框，但我看不到如何到达它们的文本。是不是必须手动计算，根据字体大小等确定字形的高度和宽度，还是有更直接的方法？

【问题讨论】：

【解决方案1】：

您可以从"How do I get character offset information from a pdf document?" 的解决方案开始，这将为您提供文档中字符和/或子字符串的 x、y、宽度和高度。从那里开始，更难的部分是将字符组绑定到空间上不同的区域。无法保证页面上的空间分组文本在文件格式的语法中会彼此接近...

【讨论】：

谢谢你，克里斯。我不会说 Perl（而且它在我的目标平台上不可用），但从我有限的理解来看，您似乎是通过逐个字符检查实际字体度量来确定文本字符串的宽度；我认为没有比这更高级别的方法了吗？也感谢您对 PDF 格式的非结构化的警告！