c# - 如何从pdf图像中查找文本？

Question

我正在开发一个 C# 应用程序，其中我将 PDF 文档转换为图像，然后在自定义查看器中呈现该图像。

在尝试在生成的图像中搜索特定单词时，我遇到了一些障碍，我想知道最好的方法是什么。我应该找到搜索词的 x,y 位置吗？

Answer 1

您可以在控制台模式下使用tessract OCR 图像进行文本识别。

我不知道这种用于pdf的SDK。

但是，如果你想获取所有单词的坐标和值，你可以使用下一个我不复杂的代码，感谢nguyenq的 hocr 提示：

public void Recognize(Bitmap bitmap)
{
    bitmap.Save("temp.png", ImageFormat.Png);
    var startInfo = new ProcessStartInfo("tesseract.exe", "temp.png temp hocr");
    startInfo.WindowStyle = ProcessWindowStyle.Hidden;
    var process = Process.Start(startInfo);
    process.WaitForExit();

    GetWords(File.ReadAllText("temp.html"));

    // Futher actions with words
}

public Dictionary<Rectangle, string> GetWords(string tesseractHtml)
{
    var xml = XDocument.Parse(tesseractHtml);

    var rectsWords = new Dictionary<System.Drawing.Rectangle, string>();

    var ocr_words = xml.Descendants("span").Where(element => element.Attribute("class").Value == "ocr_word").ToList();
    foreach (var ocr_word in ocr_words)
    {
        var strs = ocr_word.Attribute("title").Value.Split(' ');
        int left = int.Parse(strs[1]);
        int top = int.Parse(strs[2]);
        int width = int.Parse(strs[3]) - left + 1;
        int height = int.Parse(strs[4]) - top + 1;
        rectsWords.Add(new Rectangle(left, top, width, height), ocr_word.Value);
    }

    return rectsWords;
}

Answer 2

使用 ITextSharp在此处下载。确保 PDF 是可搜索的。

并使用此代码：

public static string GetTextFromAllPages(String pdfPath)
{
    PdfReader reader = new PdfReader(pdfPath); 

    StringWriter output = new StringWriter();  

    for (int i = 1; i <= reader.NumberOfPages; i++) 
        output.WriteLine(PdfTextExtractor.GetTextFromPage(reader, i, new SimpleTextExtractionStrategy()));

    return output.ToString();
}