xml - Poppler/pdftohtml 和 ImageMagick/convert 的坐标系不同

Question

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：

• PDF 的 XML 格式
• PDF的图像格式

第一个链接在 top=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。

Answer 1

使用带有选项 -xml 的 pdf2html 将为 PDF 中的每个页面生成一个包含一个元素的 xml 文件。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（见这里），这是 842 点，这是 pdfinfo 将报告的。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 转换为具有这些相同坐标的图像。