如何用PoDoFo C++库提取PDF表格边框线的坐标及相关信息

一、解析PDF路径获取边框线坐标 #

PoDoFo没有直接提取边框的API，但可以通过解析PDF页面的内容流，筛选绘制线条、矩形的指令来获取边框数据。核心是用PdfContentsTokenizer遍历页面绘图指令，识别m（路径起点）、l（直线绘制）、re（矩形绘制）、S（路径描边）这类指令，从中提取坐标信息。

示例代码片段：

PoDoFo::PdfMemDocument doc;
doc.Load("target.pdf");

for (int pageIdx = 0; pageIdx < doc.GetPageCount(); ++pageIdx) {
    PoDoFo::PdfPage* page = doc.GetPage(pageIdx);
    PoDoFo::PdfContentsTokenizer tokenizer(page);
    PoDoFo::PdfVariant var;
    PoDoFo::EPdfContentsType tokenType;

    std::vector<double> paramBuffer;
    std::vector<std::pair<double, double>> currentPath;

    while (tokenizer.ReadNext(tokenType, var)) {
        if (tokenType == PoDoFo::ePdfContentsType_Number) {
            // 收集指令参数
            paramBuffer.push_back(var.GetReal());
        } else if (tokenType == PoDoFo::ePdfContentsType_Keyword) {
            std::string keyword = var.GetString();
            // 处理矩形指令：re 后接x y width height四个参数
            if (keyword == "re" && paramBuffer.size() == 4) {
                double x = paramBuffer[0], y = paramBuffer[1];
                double width = paramBuffer[2], height = paramBuffer[3];
                // 生成矩形四个顶点坐标
                std::vector<std::pair<double, double>> rect = {
                    {x, y}, {x + width, y},
                    {x + width, y + height}, {x, y + height}
                };
                // 此处可将rect存入边框线集合
                paramBuffer.clear();
            }
            // 处理直线绘制：m（起点）+ l（终点）+ S（描边）
            else if (keyword == "m" && paramBuffer.size() == 2) {
                currentPath.emplace_back(paramBuffer[0], paramBuffer[1]);
                paramBuffer.clear();
            } else if (keyword == "l" && paramBuffer.size() == 2) {
                currentPath.emplace_back(paramBuffer[0], paramBuffer[1]);
                paramBuffer.clear();
            } else if (keyword == "S") {
                // currentPath中保存了一条完整的线条坐标
                // 存入边框线集合后清空
                currentPath.clear();
            }
            // 其他指令可根据需求补充处理
        }
    }
}

二、提取文本并关联表格结构 #

1. 用PdfTextExtractor提取带坐标的文本：

PoDoFo::PdfTextExtractor textExtractor;
std::vector<PoDoFo::PdfTextWord> textWords;
textExtractor.ExtractText(page, textWords);

// 保存文本及其边界框信息
std::vector<std::tuple<std::string, double, double, double, double>> textData;
for (const auto& word : textWords) {
    double left = word.m_Box.GetLeft();
    double bottom = word.m_Box.GetBottom();
    double right = word.m_Box.GetRight();
    double top = word.m_Box.GetTop();
    textData.emplace_back(word.m_Text, left, bottom, right, top);
}

2. 把第一步提取的边框线整理成单元格的边界框，然后判断每个文本的边界框落在哪个单元格内，以此匹配表格结构与内容。

三、额外提示 #

• 部分PDF的表格可能没有明确的边框线，而是靠文本对齐、间距或背景色块实现，这种情况需要结合文本布局的行列分布来辅助识别。
• PoDoFo采用PDF原生坐标系统，原点在页面左下角，y轴向上，处理时注意与屏幕坐标的转换差异。

内容的提问来源于stack exchange，提问作者NormakLOE32