我正在开发一个 C# 应用程序,我在其中将 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词时,我遇到了一些障碍,我想知道解决这个问题的最佳方法是什么。我应该找到搜索词的 x,y 位置吗?
最佳答案
您可以使用 tessract OCR image用于控制台模式下的文本识别。
我不知道有这样的 pdf 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,谢谢nguyenq对于 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;
}
关于c# - 如何从pdf图像中查找文本?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/12577752/