如何获取PDF字符/单词/行/块坐标？pdftotext工具功能咨询

好问题！我自己平时处理PDF文本坐标的时候也研究过poppler和xpdf版本的pdftotext差异，下面给你详细梳理：

Poppler版本的pdftotext #

Poppler的pdftotext功能相对丰富，完全支持你提到的多层级坐标输出需求：

• 字符级坐标：使用-bbox-layout参数，这个参数会输出每个字符的边界框信息，同时附带行、块的结构标记。输出内容里每个字符都会单独对应一行包含坐标的记录，非常细致。
• 行级/块级坐标：同样依赖-bbox-layout参数，它会在输出中加入Line和Block开头的行，分别对应每一行文本和每个文本块（比如段落、独立文本区域）的边界框坐标。
• 短语级坐标：pdftotext没有直接的参数输出“短语”级坐标（毕竟短语的定义太灵活，没有统一标准），不过你可以基于单词级或字符级的坐标数据，通过判断文本的位置连续性、间距等规则，自行合并出符合需求的短语坐标。

Xpdf版本的pdftotext #

Xpdf的命令行pdftotext功能相对局限一些：

• 仅支持单词级坐标：也就是你正在用的-bbox参数，只能输出每个单词的边界框。
• 字符/行/块级坐标：命令行工具本身没有直接支持的参数，如果需要这些层级的坐标，你可能需要借助Xpdf的底层API进行自定义开发，或者搭配其他工具间接处理。

小提示 #

如果你还没确认自己用的是哪个版本，直接运行pdftotext -v就能看到版本信息——一般Linux发行版默认带的是Poppler版本，而一些旧环境或特定工具链里可能是Xpdf版本。

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