Skip to content
DemoFAQ

PDF 生成模板编辑器

开源可视化 PDF 生成引擎,支持自定义模板,并提供面向开发者的 API,灵活构建文档生成流程。

查看 GitHub

提取 PDF 为 JSON — C ​

PDF 提取 ​

概述 ​

从 PDF 文档中提取 PDF 中的文本、图片和表格数据。

转换选项 ​

该格式只使用 CConvertOption 中的以下选项,其他选项不生效:

选项默认值含义
json_contain_tabletrue开启:每个表格以 HTML 表格输出一次,包含每个单元格的行、列、跨行跨列和文字;关闭:每个单元格的文字作为页面内容中的独立文本项输出。
contain_imagetrue开启:输出 .zip,包含 JSON、页面渲染图和图片项;关闭:输出不含图片项的普通 .json。enable_ocr 和 enable_ai_layout 都开启时,还会丢弃 AI 版面分析找到的图片区域内的 OCR 文字。
enable_ai_layouttrue决定对象类型(标题、列表、表格、页眉、页脚等)、分组、阅读顺序和表格查找。许可证不含 AI 版面分析权限时不生效。
enable_ai_table_recognitiontrue使用表格模型识别表格结构;关闭时根据表格线重建表格结构。只对 AI 版面分析(enable_ai_layout 开启)找到的表格生效。
table_recognition_accuracye_CBalanced表格模型:e_CBalanced 使用基础模型 documentai.model,e_CHighAccuracy 使用 table_legacy.model 模型包。只在使用内置表格模型进行 AI 表格识别时生效。未加载对应精度的模型时,转换仍然成功,表格改用基于规则的方式识别。
enable_ocrfalse在 ocr_option 选定的页面上用 OCR 识别文字。未开启 OCR 时,图片输入只输出一个图片项(contain_image 开启时)而没有文字。许可证不含 OCR 权限时不生效。
ocr_optione_CAllOCR 处理的范围:e_CAll 识别所有页面;e_CScanPage 只识别图片(扫描)页面;e_CInvalidCharacter 重新识别其他页面上无法读取的字符;e_CInvalidCharacterAndScanPage 两者都做。只在 enable_ocr 开启时生效。
languages / language_countNULL / 0OCR 识别语言;未指定语言时使用英文。只在 enable_ocr 开启时生效。
enable_document_orientation_classificationfalseOCR 前将页面图像转正,页面宽高和坐标随之调整。只在 enable_ocr 开启时生效。
enable_document_dewarpfalseOCR 前对弯曲、变形的页面照片做矫正展平。只在 enable_ocr 开启时生效。
page_ranges空要转换的页码,如 "1-3,5,7-9";为空时转换所有页。多帧图片输入时用于选择帧。
contain_annotationtrue将注释外观作为图片项输出。只对未经 OCR 识别的 PDF 页面生效,且只在 contain_image 开启时输出。
formula_to_imagetrue开启时,AI 版面分析找到的公式变为文字为空的文本项;关闭可保留公式文字。只在 enable_ai_layout 开启时生效。
output_document_per_pagefalse每页输出一个文件,而不是整个文档输出一个文件。文件以输入文件名加页码命名,写入输出路径所在的文件夹;输出路径中的文件名不使用。
enable_auto_page_sizefalse仅图片输入:页面宽高和所有位置坐标按根据图片分辨率确定、并匹配到最接近标准纸张的页面尺寸计算。
custom_page_width / custom_page_height0仅图片输入:页面宽高和所有位置坐标按指定的页面尺寸(单位:点)计算,两者都须大于 0。优先于 enable_auto_page_size。

调用示例:

c
CConvertOption option = CPDF_DefaultConvertOption();
option.json_contain_table = false;
option.contain_image = false;
CPDF_StartPDFToJson(CPDF_TEXT("input.pdf"), CPDF_TEXT("password"), CPDF_TEXT("path/output.json"), option, NULL);

表格类型:标准表格 & 非标准表格 ​

常见的表格类型可以分为标准表格与非标准表格两类,具体定义如下:

  • 标准表格:表格边框完整,表格内线完整且清晰,无需人为再添加表格线条做表格内容分割。

image-20231116145224545

  • 非标准表格:缺少表格边框或者表格内线,表格线条不清晰,需要人为添加表格线条分割表格内容。

image-20231116145517818

设置是否提取表格 ​

在 ComPDFKit Conversion SDK 中,支持是否提取表格选项json_contain_table,开启该选项时会提取 PDF 中的表格内容并输出对应的表格结构,否则表格内的内容会被当成普通段落。

注意事项 ​

  • 当未开启 AI 版面分析 或者 OCR 选项时无法提取原 PDF 文档中的表格,建议开启 AI 版面分析 或者 OCR 选项进行提取,以支持高精度的表格识别。

示例 ​

以下是完整的示例代码,演示了 PDF 提取功能。

c
CConvertOption option = CPDF_DefaultConvertOption();
option.contain_image = true;
option.json_contain_table = true;
CPDF_StartPDFToJson(CPDF_TEXT("text.pdf"), CPDF_TEXT("password"), CPDF_TEXT("path/output.json"), option, NULL);