Poppler/pdftohtml 和 ImageMagick/convert 的坐标系不同答案

【问题标题】：Coordinate systems for Poppler/pdftohtml and ImageMagick/convert are differentPoppler/pdftohtml 和 ImageMagick/convert 的坐标系不同
【发布时间】：2018-10-15 06:28:36
【问题描述】：

我使用 Poppler utils 中的 pdftohtml 将 PDF 转换为 XML。这给出了 PDF 中文本的坐标。我还使用 ImageMagick 的转换工具将 PDF 转换为图像。当我在图像中搜索相同的坐标时，我没有找到 XML 指向的文本：

第一个链接在顶部=182 处显示标记为“BILL TO”的文本。第二个链接显示相同的文本“BILL TO”，但坐标不同。

我的问题是：如何从 XML 和图像格式中找到坐标之间的关系？

任何帮助将不胜感激。

【问题讨论】：

你是如何转换成 xml 的？你是如何转换成图像的？您很可能需要坐标转换，其详细信息取决于对这些澄清请求的完整答案的详细信息。
为了将 PDF 转换为 XML，我使用了命令行参数“pdftohtml -c -hidden -xml ”。示例：“pdftohtml -c -hidden -xml 8140.pdf yu.xml”对于 PDF 到图像，我使用：“convert [option] 示例：convert xxx.pdf xxx.jpg 我尝试了不同的质量PDF>图像转换，但没有解决我的问题。
我用谷歌搜索了一下，但找不到足够详尽的 pdftohtml 文档来描述其输出中使用的坐标系。但这是需要的信息。因此，一旦您发现并分享这些信息，我们就能够制定正确的转换。
你怎么知道坐标是“不同的”。也许他们只是在不同的 DPI，或者 y 轴被翻转了？此外，您可能想首先描述为什么要这样做。可能有更简单的方法来完成您想要的。

标签： xml image pdf coordinates poppler

【解决方案1】：

使用带有选项 -xml 的 pdf2html 将生成一个 xml 文件，其中包含 PDF 中每个页面的元素。该元素具有属性宽度和高度。元素内的所有元素都具有相对于它们的属性 left、top、width 和 height。

A4 为 297 毫米或 11.693 英寸。在 72 DPI（请参阅here）时，这是 pdfinfo 将报告的 842 个点。不幸的是，pdftohtml 的默认缩放比例为 1.5。因此对于 A4 页面，高度变为 1263。因此，您需要先乘以 2/3，或者使用 -zoom 1 选项。

ImageMagick convert 会将 PDF 转换为具有相同坐标的图像。

【讨论】：