从 pdf 文件中抓取图表

Question

我有一个程序，以前使用 ChatGPT 来扫描文档，并在页面包含图表（例如表格或图表）时发出警报。由于 ChatGPT 已停止通过 API 接受图像，我一直在使用 ChatGPT 网站手动处理这些页面，这是相当耗时且冗长的。

我想重新自动化这个过程。不幸的是，我尝试过的 OCR 服务（例如 Azure OCR、Amazon Reckognition 和 Google Cloud Vision OCR）不具备相同的功能。

我尝试使用以下代码来执行此操作：

using System;
using System.Collections.Generic;
using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Listener;

namespace PdfImageDetectionTest
{
    class Program
    {
        public static List<int> GetPagesWithImages(string pdfPath)
        {
            List<int> pagesWithImages = new List<int>();

            // Load the PDF document
            using (PdfReader pdfReader = new PdfReader(pdfPath))
            using (PdfDocument pdfDocument = new PdfDocument(pdfReader))
            {
                int totalPages = pdfDocument.GetNumberOfPages();

                for (int i = 1; i <= totalPages; i++)
                {
                    // Use a custom listener to detect images
                    ImageDetectionListener imageListener = new ImageDetectionListener();
                    PdfCanvasProcessor processor = new PdfCanvasProcessor(imageListener);
                    processor.ProcessPageContent(pdfDocument.GetPage(i));

                    // If the listener found any images, add the page number to the list
                    if (imageListener.HasImage())
                    {
                        pagesWithImages.Add(i);
                    }
                }
            }

            return pagesWithImages;
        }

        public static void Main(string[] args)
        {
            // Path to your test PDF file
            string pdfPath = "path/to/your/test-file.pdf";

            List<int> pagesWithImages = GetPagesWithImages(pdfPath);

            if (pagesWithImages.Count > 0)
            {
                Console.WriteLine("Pages with images: " + string.Join(", ", pagesWithImages));
            }
            else
            {
                Console.WriteLine("No pages contain images.");
            }

            // Keep console window open
            Console.WriteLine("Press any key to exit...");
            Console.ReadKey();
        }
    }

    public class ImageDetectionListener : IEventListener
    {
        private bool foundImage = false;

        public void EventOccurred(IEventData data, EventType type)
        {
            if (type == EventType.RENDER_IMAGE)
            {
                foundImage = true; // Image found!
            }
        }

        public bool HasImage()
        {
            return foundImage;
        }

        public ICollection<EventType> GetSupportedEvents()
        {
            // Only listen for image rendering events
            return new HashSet<EventType> { EventType.RENDER_IMAGE };
        }
    }
}

但是由于整个文件是扫描文档，因此它会将所有页面识别为包含图表，而不仅仅是我们想要的页面。有没有更简单的方法来做到这一点，或者库/包实际上能够完成我们想要的事情？

Answer 1

我一直在忙着同样的事情。但我从不同的供应商导入发票。据我所知，您可以选择 iText 如何读取文件。例如：

var pdfReader =  new PdfReader("file_location");
var reader = new PdfDocument(pdfReader);
var page = reader.GetPage(i);
ITextExtractionStrategy strate = new LocationTextExtractionStrategy();
//Your point of interessed
ILocationExtractionStrategy loc = new RegexBasedLocationExtractionStrategy(""); //Use some regex to detect the image 
var processor = new PdfCanvasProcessor(strate);
processor.ProcessPageContent(page);
int nrObjects = reader.GetNumberOfPdfObjects();
for(int i = 0; i < nrObjects; i++)
{
    var obj = reader.GetPdfObject(i);
    PdfDictionary pd = (PdfDictionary)obj;
    // etc etc...
}

这是我迄今为止测试过的。我也收到了图像，但这不是我的目标。所以也许这会对您有进一步的帮助。