从PDF的多个页面中提取相同的（矩形）区域

我需要在一个有几百页的PDF文件中，在不同的页面上提取相同的矩形区域（在相同的位置）

我正在运行Linux，并且已经找到了一种使用Tesseract和前端gImageReader手动执行此操作的方法，并且正在寻找一种自动化此过程的方法

我需要提取的信息是印地语文本（用Devanagari编写），因此将数据提取为文本（不使用印地语OCR）可能会产生不好的结果，但如果有一种方法可以将其提取为图像，我可以在单独的步骤中在Tesseract中对收集的数据进行OCR

因此，我要寻找的是一种方法，从PDF的不同页面复制相同区域，并将它们输出到另一个文件（例如，另一个PDF或图像文件）

我已经看到其他类似的问题张贴，但他们是专门要求提取文本，这是不一定需要在这种情况下

如果有一种方法可以通过将PDF转换为图像文件来实现这一点，那也会很有趣

PS：我现在正在考虑在终端中（使用Gimp）按照Dmitri Z的建议进行此操作

对于那些对GUI感兴趣的人，我找到了Phatch For Linux，它非常适合批量处理图像，以及（批量）直接裁剪PDF文件

---

如果有人知道从一幅图像中提取两个不同的矩形区域的方法，那会很有帮助

解决方案包括两个步骤： 1） 将PDF转换为图像 最常用的工具是imagemagick。您可以将其用作命令行工具

$ convert foo.pdf foo.png

以及使用API。你可以使用C++ API，但不幸的是我在Mault++C++ API方面没有太多的经验。 您可能需要安装GhostScript以读取PDF

2） 从图像中提取感兴趣区域（ROI） 您也可以在这里使用imagemagick

-extract widthxheight{{+-}offset}

可以选择使用，例如：

convert -extract 640x480+1280+960 bigImage.rgb extractedImage.rgb

另一种选择是使用OpenCV。在C++中，这将是很容易的：

Mat image = imread("yourimage.png");
int x = 10, y = 20, w = 100, h = 100;
imwrite("roiImage", image(Rect(x, y, w, h)));

可以在同一Imagemagick命令中裁剪两个（或多个）区域，如下所示：

convert image +write mpr:img +delete \
\( mpr:img -crop W1xH1+X1+Y1 +repage +write out1 \) \
\( mpr:img -crop W2xH2+X2+Y2 +repage +write out2 \) \
null:

或

---

你是在寻找免责工具，还是还会做一些编程？我对任何事情都持开放态度（只要不太复杂），我目前正在终端中寻找一个正在使用的Gimp（我想类似于Dmitri Z.在下面提到的内容）。有没有办法从一幅图像中提取两个不同的矩形区域？

@badabom

您可以对一个区域执行相同的步骤，对第二个区域执行相同的步骤。如果您可以同时提取两个不同的区域，您需要如何处理它们？也就是说，它们是否需要合并到一个图像中？如果是，怎么做？什么间距？请更具体一点<代码>@badabom。如果在输入之前在Imagemagick命令中指定-density，则只需进行少量计算和尝试，就可以计算出要提取区域的裁剪坐标。然后在同一命令输出回PDF。但是，请注意，Imagemagick不是向量到向量处理器。Imagemagick将在读取PDF时对其进行光栅化，然后输出到嵌入在PDF矢量外壳中的光栅图像。因此，输出大小将显著增大，除非输入也是PDF矢量外壳中的光栅图像

convert-density X image.pdf-crop WxH+X+Y+repage output.pdf

@fmw42我现在分两步批量裁剪这两个区域，只是想知道是否有一种方法可以在一步中完成。我有一些页面，左上角有一个单词，右上角有一个单词，我想从PDF/图像中提取这些单词，并将它们放入列表中。

convert image \
\( -clone 0 -crop W1xH1+X1+Y1 +repage +write out1 \) \
\( -clone 0 -crop W2xH2+X2+Y2 +repage +write out2 \) \
null: