Skip to content
PDF Oxide

区域提取 — 从页面指定区域获取内容

处理发票、银行对账单、税务表单或任意模板化版面时，你通常已经知道字段 位于何处。与其整页提取再查找目标值，不如让 PDF Oxide 直接对准这个矩形，只返回区域内的内容。

流式 API within(page, rect) 返回一个受限区域，可在其上链式调用各种提取方法：extract_text()、extract_words()、extract_chars()、extract_tables()。

绑定覆盖。 within(page, rect) 已在 Python、Rust 和 WASM 中提供。Go 和 C# 暴露了等价的底层辅助函数（ExtractTextInRect、ExtractWordsInRect、ExtractImagesInRect）— 见下文。

快速示例

rect 为 (x, y, width, height)，单位为 PDF 点，原点在页面 左下角。Letter 尺寸页面为 612 × 792 点。

Python

from pdf_oxide import PdfDocument

doc = PdfDocument("invoice.pdf")

# 第 0 页顶部 92 点 — 典型的页眉区域
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（底层辅助函数，效果一致）

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#（底层辅助函数）

using PdfOxide;

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

链式提取同一区域

Python / Rust / WASM 的 within() 流式形式，可让你在同一区域上调用任意提取方法，无需反复指定矩形：

Python

doc = PdfDocument("invoice.pdf")
region = doc.within(0, (400, 100, 200, 200))   # 右下 200×200 方框

total_text = region.extract_text()              # 纯文本
words      = region.extract_words()             # 单词级记录
chars      = region.extract_chars()             # 字符级记录

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()?;

常见用例

发票字段提取

发票通常把供应商地址、发票号、明细表放在固定区域。每个模板只需定义一次矩形：

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"]))

银行对账单的交易行

大多数对账单有狭窄的「交易」区。将页面裁剪到该区域后调用 extract_words()，即可按阅读顺序取得每行文字及其 bbox：

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

去除页眉页脚

若只为正文建立索引，裁掉每页顶部和底部即可：

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()?;
    // 对 body 建索引 …
}

表格区域限定

当你已知某页包含表格且位置已知，可将 extract_tables() 限定在该矩形内：

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"]])

坐标参考

PDF 采用 左下原点，以点为单位（1 pt = 1/72 英寸）。Letter 尺寸页面为 (0, 0, 612, 792)。若要指定顶部 1 英寸区域，写作：

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

如果你来自图像坐标（左上原点）的世界，记得翻转 y。

在计算前获取页面真实的 MediaBox：

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# — 矩形内辅助函数

Go 和 C# 暂未提供 within() 流式链，但底层方法一致：

方法 Go C#
矩形内文本 doc.ExtractTextInRect(page, x, y, w, h) doc.ExtractTextInRect(page, x, y, w, h)
矩形内单词 doc.ExtractWordsInRect(page, x, y, w, h) （尚未封装）
矩形内图像 doc.ExtractImagesInRect(page, x, y, w, h) （尚未封装）

在 Go 或 C# 中若需要对同一矩形执行多种提取，把矩形存入变量并依次调用辅助函数即可。待编辑器 API 稳定后会补上流式接口。

相关页面