如何提取不是图像的图形

Question

this PDF 的第一页在图像顶部显示以下白色装饰文本。

使用PDFBox utility PrintImageLocations 时，此图形不提取为图像，仅提取背景图像，没有白色装饰文本。转换为 Word doc 时，修饰文本被提取为 shape，其属性可以修改，例如填充颜色、边框颜色等等。

是否可以使用 PDFBox 从 PDF 中提取该形状？怎么样？

Answer 1

提取此类图形的最简单方法是对可以生成 ScaledVectorGraphics 的图形进行逆向工程，因为在这里我必须将颜色从白色更改为洋红色，否则它看起来像雪景。

我不使用 PDFbox，所以不能说这有多么容易。我只是将第 1 页导出为 SVG，使用

MuPDF\mutool.exe convert -o page1.svg -O no-reuse-images Xcel_Energy-AR2018.pdf 1

但是，您将获得所有 SVG 输出，例如下部文本，并注意左上角和左下角页码中像素图形后面不可见的额外标题文本。

注意：所有内容（因此任何常规文本和图像像素都转换为 SVG 对象）没有更简单的方法来提取所有 PostScript Printer 样式的移动和 lineto。所以是的，它是矫枉过正的，因为它需要解析才能获得感兴趣的对象（更容易在 GUI 中完成，例如构造它的 inkscape 或 InDesign）。这不是一种很好的形状识别方法，因为 y x 值被描述为矩形，并且位置和标量很可能因页面而异，因此除了填充外观之外没有其他常量。填充后的对象最好通过重新生成为视觉符号识别的像素来“看到”（很像 OCR）。