Skip to content
PDF Oxide

範囲指定抽出 — ページの特定領域から内容を取り出す

請求書・銀行明細・税務フォームなど、テンプレート化されたレイアウトを処理するときは、項目が どこに あるかをあらかじめ把握していることが多いはずです。ページ全体を抽出してから値を探すのではなく、PDF Oxide に矩形を直接指定し、そこに書かれているものだけを取得できます。

流れるような within(page, rect) API は、抽出メソッドを連結できる限定領域を返します: extract_text()、extract_words()、extract_chars()、extract_tables()。

バインディング対応状況。 within(page, rect) は Python・Rust・WASM で利用できます。Go と C# は同等の低レベルヘルパー (ExtractTextInRect、ExtractWordsInRect、ExtractImagesInRect) を提供しています — 下記を参照してください。

クイック例

rect は (x, y, width, height) で PDF ポイント単位、原点はページの 左下 です。Letter サイズのページは 612 × 792 ポイントになります。

Python

from pdf_oxide import PdfDocument

doc = PdfDocument("invoice.pdf")

# ページ 0 の上端 92 ポイント — 典型的なヘッダー帯
header = doc.within(0, (0, 700, 612, 92)).extract_text()
print(header)

Rust

use pdf_oxide::PdfDocument;
use pdf_oxide::geometry::Rect;

let mut doc = PdfDocument::open("invoice.pdf")?;
let header = doc.within(0, Rect::new(0.0, 700.0, 612.0, 92.0)).extract_text()?;
println!("{}", header);

JavaScript (WASM)

import { WasmPdfDocument } from "pdf-oxide-wasm";

const doc = new WasmPdfDocument(bytes);
const headerRegion = doc.within(0, [0, 700, 612, 92]);
console.log(headerRegion.extractText());
doc.free();

Go（低レベルヘルパー、効果は同じ）

package main

import (
    "fmt"
    "log"
    pdfoxide "github.com/yfedoseev/pdf_oxide/go"
)

func main() {
    doc, err := pdfoxide.Open("invoice.pdf")
    if err != nil { log.Fatal(err) }
    defer doc.Close()

    // ExtractTextInRect(pageIndex, x, y, width, height)
    header, _ := doc.ExtractTextInRect(0, 0, 700, 612, 92)
    fmt.Println(header)
}

C#（低レベルヘルパー）

using PdfOxide;

using var doc = PdfDocument.Open("invoice.pdf");
string header = doc.ExtractTextInRect(0, 0, 700, 612, 92);
Console.WriteLine(header);

領域からの連結抽出

Python / Rust / WASM での within() 形式では、矩形を再指定することなく、同じ領域に対して任意の抽出メソッドを呼び出せます。

Python

doc = PdfDocument("invoice.pdf")
region = doc.within(0, (400, 100, 200, 200))   # 右下の 200×200 ボックス

total_text = region.extract_text()              # プレーンテキスト
words      = region.extract_words()             # 単語単位のレコード
chars      = region.extract_chars()             # 文字単位のレコード

Rust

let region = doc.within(0, Rect::new(400.0, 100.0, 200.0, 200.0));
let text  = region.extract_text()?;
let words = region.extract_words()?;

代表的なユースケース

請求書のフィールド抽出

請求書では、ベンダー住所・請求書番号・明細表がたいてい固定ゾーンにあります。テンプレートごとに矩形を一度定義しておきます。

from pdf_oxide import PdfDocument

TEMPLATES = {
    "acme_v1": {
        "invoice_no":  (450, 720,  120,  20),
        "issue_date":  (450, 700,  120,  20),
        "vendor_name": ( 50, 740,  300,  40),
        "total":       (450, 100,  120,  24),
    },
}

def parse_invoice(path, template):
    doc = PdfDocument(path)
    out = {}
    for field, rect in template.items():
        out[field] = doc.within(0, rect).extract_text().strip()
    return out

print(parse_invoice("invoice-2025-04.pdf", TEMPLATES["acme_v1"]))

銀行明細の取引行

多くの明細書には狭い「取引」帯があります。その帯に切り出して extract_words() を呼ぶと、各行を読み取り順で bbox 付きに取得できます。

doc = PdfDocument("statement.pdf")
for page in range(doc.page_count()):
    txn_region = doc.within(page, (36, 72, 540, 650))   # ヘッダーとフッターを除外
    for w in txn_region.extract_words():
        print(f"page {page}: {w.text} at ({w.x0:.0f},{w.y0:.0f})")

ヘッダー・フッターの除去

本文だけをインデックスしたい場合、各ページの上下を切り落とします。

Rust

let mut doc = PdfDocument::open("book.pdf")?;
for i in 0..doc.page_count()? {
    let body = doc.within(i, Rect::new(0.0, 100.0, 612.0, 600.0))
                  .extract_text()?;
    // body をインデックスする …
}

表領域の限定

ページに表があり位置が分かっているなら、表の矩形にスコープして extract_tables() をその領域だけに集中させます。

Python

tables = doc.within(0, (50, 200, 500, 400)).extract_tables()
for t in tables:
    for row in t["rows"]:
        print([c["text"] for c in row["cells"]])

座標リファレンス

PDF は 左下原点 を使用し、単位はポイント（1 pt = 1/72 インチ）です。Letter サイズのページは (0, 0, 612, 792) です。上端 1 インチの帯を指定するには次のように書きます。

(x, y, w, h) = (0, 792 - 72, 612, 72)
             = (0, 720,      612, 72)

画像座標系（左上原点）から来た場合は、y を反転させてください。

ページの実際の MediaBox を事前に取得するには:

Python

doc = PdfDocument("doc.pdf")
mb = doc.page_media_box(0)       # (llx, lly, urx, ury)

Rust

let mb = editor.get_page_media_box(0)?;   // [f32; 4]

Go / C# — 矩形指定ヘルパー

Go と C# は流れるような within() チェーンをまだ公開していませんが、基盤となる低レベルメソッドは共通です。

メソッド Go C#
矩形内テキスト doc.ExtractTextInRect(page, x, y, w, h) doc.ExtractTextInRect(page, x, y, w, h)
矩形内単語 doc.ExtractWordsInRect(page, x, y, w, h) (未ラップ)
矩形内画像 doc.ExtractImagesInRect(page, x, y, w, h) (未ラップ)

Go または C# で同じ矩形に対して複数の抽出を行う場合は、矩形を変数に保持してヘルパーを順次呼び出してください。流れるような API はエディター API の安定後に追加されます。

関連ページ