使用 GemBox 获取 PDF 中的字形范围

Question

目标：从 PDF 页面内的特定位置提取值。在 GemBox.Pdf 中，我可以提取文本元素，包括其边界和内容，但是：

问题：文本元素可能具有复杂的结构，每个字形都使用单独的定位设置。

考虑页面标题的这个常见示例：

Billing Info                        Date:   02/02/20222

Company Ltd.                Order Number:    0123456789
123 Main Street                     Name:   Smith, John              

比方说，我想从文档中获取订单号 (0123456789)，了解其在页面上的精确位置。但实际上，整行通常是一个文本元素，内容为SO CompanyOrder Number:0123456789，并且所有定位和间距仅通过偏移和索引完成。我可以获得整行的边界和文本，但我需要每个字符/字形的边界（和值），因此我可以将它们组合成“单词”（=字符序列，由空格或大偏移量分隔）。

我知道这在其他图书馆中绝对是可能的。但这个问题是特定于 GemBox 的。在我看来，所有必要的实现都应该已经存在，只是 API 中没有公开太多。

在 itextsharp 中，我可以获得每个字形的边界，如下所示：

// itextsharp 5.2.1.0

public GlyphExtractionStrategy : LocationTextExtractionStrategy
{
    public override void RenderText(TextRenderInfo renderInfo)
    {
        var segment = renderInfo.GetBaseline();
        var chunk = new TextChunk(
            renderInfo.GetText(),
            segment.GetStartPoint(),
            segment.GetEndPoint(),
            renderInfo.GetSingleSpaceWidth(),
            renderInfo.GetAscentLine(),
            renderInfo.GetDescentLine()
        );
        // glyph infos
        var glyph = chunk.Text;
        var left = chunk.StartLocation[0];
        var top = chunk.StartLocation[1];
        var right = chunk.EndLocation[0];
        var bottom = chunk.EndLocation[1];
    }
}

var reader = new PdfReader(bytes);
var strategy = new GlyphExtractionStrategy();
PdfTextExtractor.GetTextFromPage(reader, pageNumber: 1, strategy);
reader.Close();

Is this possible in GemBox?如果是这样，那将会很有帮助，因为我们已经有了将 glph 组合成“单词”的代码。

目前，我可以使用正则表达式来解决这个问题，但这并不总是可行，而且对于最终用户来说配置技术性太强。

Answer 1

尝试使用这个最新的 NuGet 包，我们添加了 PdfTextContent.GetGlyphOffsets 方法：

Install-Package GemBox.Pdf -Version 17.0.1128-hotfix

以下是如何使用它：

using (var document = PdfDocument.Load("input.pdf"))
{
    var page = document.Pages[0];
    var enumerator = page.Content.Elements.All(page.Transform).GetEnumerator();

    while (enumerator.MoveNext())
    {
        if (enumerator.Current.ElementType != PdfContentElementType.Text)
            continue;

        var textElement = (PdfTextContent)enumerator.Current;
        var text = textElement.ToString();

        int index = text.IndexOf("Number:");
        if (index < 0)
            continue;

        index += "Number:".Length;
        for (int i = index; i < text.Length; i++)
        {
            if (text[i] == ' ')
                index++;
            else
                break;
        }

        var bounds = textElement.Bounds;
        enumerator.Transform.Transform(ref bounds);
                
        string orderNumber = text.Substring(index);
        double position = bounds.Left + textElement.GetGlyphOffsets().Skip(index - 1).First();

        // TODO ...
    }
}