Skip to content
PDF Oxide

Видобування за областю — отримайте вміст із конкретної ділянки

Коли ви обробляєте рахунки, банківські виписки, податкові форми чи будь-які шаблонні макети, зазвичай заздалегідь відомо, де розташовані поля. Замість того щоб видобувати всю сторінку й шукати значення, наведіть PDF Oxide на точний прямокутник — і отримаєте саме те, що там знаходиться.

Fluent-API within(page, rect) повертає обмежену область, до якої можна прив’язувати методи видобування: extract_text(), extract_words(), extract_chars(), extract_tables().

Покриття біндингами. within(page, rect) доступний у Python, Rust і WASM. Go та C# надають еквівалентні низькорівневі помічники (ExtractTextInRect, ExtractWordsInRect, ExtractImagesInRect) — див. нижче.

Швидкий приклад

rect — це (x, y, width, height) у пунктах PDF, з початком координат у лівому нижньому куті сторінки. Сторінки формату Letter мають 612 × 792 пункти.

Python

from pdf_oxide import PdfDocument

doc = PdfDocument("invoice.pdf")

# Верхні 92 пункти сторінки 0 — типова смуга заголовка
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 (низькорівневий помічник, ефект такий самий)

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# (низькорівневий помічник)

using PdfOxide;

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

Ланцюжок видобувань з однієї області

Fluent-форма within() у Python / Rust / WASM дає змогу викликати будь-який метод видобування для тієї самої області без повторного задання прямокутника:

Python

doc = PdfDocument("invoice.pdf")
region = doc.within(0, (400, 100, 200, 200))   # бокс 200×200 у правому нижньому куті

total_text = region.extract_text()              # звичайний текст
words      = region.extract_words()             # записи за словами
chars      = region.extract_chars()             # записи за символами

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()?;

Типові сценарії

Видобування полів з рахунку

У рахунку зазвичай адреса постачальника, номер рахунку та таблиця позицій розташовані у фіксованих зонах. Задайте прямокутники один раз на шаблон:

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"]))

Рядки банківської виписки

Більшість виписок має вузьку смугу «операції». Обріжте сторінку до цієї смуги та викличте extract_words(), щоб отримати кожен рядок у порядку читання разом з bbox:

doc = PdfDocument("statement.pdf")
for page in range(doc.page_count()):
    txn_region = doc.within(page, (36, 72, 540, 650))   # пропустити колонтитули
    for w in txn_region.extract_words():
        print(f"page {page}: {w.text} at ({w.x0:.0f},{w.y0:.0f})")

Видалення колонтитулів

Якщо ви індексуєте лише основний текст, обріжте верх і низ кожної сторінки:

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()?;
    // індексуємо `body` …
}

Визначення області таблиці

Якщо ви вже знаєте, що на сторінці є таблиця і де саме вона, обмежте extract_tables() її прямокутником:

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"]])

Довідник координат

PDF використовує початок координат у лівому нижньому куті, одиниця виміру — пункт (1 pt = 1/72 дюйма). Сторінка Letter — це (0, 0, 612, 792). Щоб задати верхню смугу шириною 1 дюйм, запишіть:

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

Якщо ви прийшли зі світу координат зображень (початок у верхньому лівому куті), відповідно переверніть y.

Щоб отримати фактичний MediaBox сторінки перед розрахунком:

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# — помічники за прямокутником

Go і C# поки не надають fluent-ланцюжок within(), але низькорівневі методи в основі ті самі:

Метод Go C#
Текст у прямокутнику doc.ExtractTextInRect(page, x, y, w, h) doc.ExtractTextInRect(page, x, y, w, h)
Слова у прямокутнику doc.ExtractWordsInRect(page, x, y, w, h) (обгортки ще немає)
Зображення у прямокутнику doc.ExtractImagesInRect(page, x, y, w, h) (обгортки ще немає)

Якщо в Go чи C# потрібно кілька типів видобування для того самого прямокутника, збережіть його у змінних і викликайте помічники послідовно. Fluent-інтерфейс з’явиться, щойно API редактора стабілізується.

Пов’язані сторінки