pdf實際裁剪

Question

我需要使用linux shell裁剪pdf文檔，然后提取該裁剪的pdf中的文本。

我的想法是使用pdfcrop linux工具裁剪pdf，然后使用txt2pdf文本提取器工具提取裁剪區域中的文本，但是我意識到我正在考慮圖像，當我嘗試這樣做時，結果與對原始pdf文件（未經裁剪）的處理相同。

我想這是一個分層問題。 由於pdf格式適用於圖層，因此如果我不“裁剪”所有圖層，結果將包括所有圖層中的所有信息，而這是我所不希望的。

如果有人對我如何在pdf中進行真正的“所有圖層裁剪”有所了解，我將非常感激。 如果可能，或者我應該開始考慮其他解決方案。

TY

Answer 1

它不是分層的，其事實是裁剪PDF通常只涉及簡單地設置CropBox，而根本不改變PDF的實際內容（除了CropBox之外）。 大多數文本提取代碼將忽略CropBox並提取所有文本。

您可以稍作努力，使用Ghostscript生成真正裁剪的PDF（盡管請注意，部分裁剪的字形仍將包括在內），然后從中提取文本。 但這很丑。

另外，Ghostscript和MuPDF都可以提取帶有坐標信息的文本，這可能足以滿足您的需求。