¿Cómo extraer texto de un documento PDF dentro de una región rectangular específica?

Question

Tengo que extraer texto de un documento PDF dentro de una región rectangular específica. El flujo de trabajo es el siguiente. En primer lugar, el pdf se convierte en una imagen jpg. Luego, el usuario dibuja el rectángulo de selección en la parte superior de la imagen. Entonces, de alguna manera, necesito extraer todo el texto del documento pdf dentro de esa región de selección. ¿Alguna sugerencia de qué freeware pdf libs puede acceder desde C# para usar?

Answer 1

Acepto, OCR no es el enfoque para usar aquí. Necesita una biblioteca PDF que pueda extraer el texto junto con las coordenadas del cuadro delimitador.

QuickPDF es una biblioteca comercial (www.quickpdf.com) que puede extraer la información requerida por un precio muy razonable de $ 249. http://www.quickpdflibrary.com/help/quickpdf/DAExtractPageText.php es la función que está buscando. Esto extraerá el texto de toda la página y luego necesitará usar funciones simples de punto y/o rectángulo para limitar el texto al rectángulo seleccionado.

No creo que iText tenga esta capacidad basada en mi investigación.

También debería leer How to extract text from a PDF?

Answer 2

Le sugiero una vez que haya rasterizado el PDF en una imagen JPEG para usar el reconocimiento de texto (OCR) para extraer el texto dentro de la región seleccionada. Aquí hay un article sobre una biblioteca de OCR para .NET. En lo que respecta a la extracción de texto de PDF, se refiere al here's an article, que ilustra cómo se puede lograr de forma más o menos confiable. El problema será cómo reconocer el texto dentro del rectángulo seleccionado por el usuario.

Answer 3

(descargo de responsabilidad - Yo trabajo para Atalasoft en sus productos PDF) Atalasoft's PdfReader hará esto. No es freeware, pero funciona bastante bien. El código es el siguiente:

using (PdfTextDocument doc = new PdfTextDocument(pathToFile)) { 
    PdfTextPage page = doc.GetPage(pageNumber); 
    string text = page.GetTextInBox(yourSelection); 
} 

Answer 4

este código va a extraer los datos perfectamente pdf sobre la base de coordenadas rectangulares usando iTextSharp

List<string> linestringlist = new List<string>(); 
    PdfReader reader = new PdfReader(pdfFilename); 
    iTextSharp.text.Rectangle rect = new iTextSharp.text.Rectangle(coordinate1, coordinate2, coordinate3, coordinate4); 
    RenderFilter[] renderFilter = new RenderFilter[1]; 
    renderFilter[0] = new RegionTextRenderFilter(rect); 
    ITextExtractionStrategy textExtractionStrategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), renderFilter); 
    string text = PdfTextExtractor.GetTextFromPage(reader, 1, textExtractionStrategy);