如何将 PDF 转换为带有布局数据的 JSON

打开 PDF 转 JSON 以导出页面记录、文本块和绘图数据。我们的四页 PDF 会生成 document.json 以及 ZIP 包内的一个引用 PNG 图像。

选择 PDF 页面

加载 PDF 并将页面留空以处理整个文档，或者输入您需要的子集。我们的示例包含所有四页。

选择开始。包含图像资源的导出文件将以 ZIP 格式下载。解压整个归档文件，并将 images 目录保留在 document.json 旁边。

示例包含 images/page-001-image-005.png。图像引用指向资源路径，而不是将二进制数据嵌入 JSON 中。不含图像资源的导出可以直接下载为 .json 文件。

示例声明了版本 1、单位 pt 和 左上角 原点。页面记录包括源页码、尺寸、旋转、文本块和绘图。坐标描述的是未旋转的页面；在叠加数据时请考虑旋转因素。

使用 JSON 解析器解析 JSON。检查块、行和跨度以获取文本和样式，并检查 bbox 值以获取几何信息。嵌套对象描述的是布局，而不是单个文本字符串。

在您的处理工作流程中使用数据之前，请对照原始 PDF 检查阅读顺序和图像引用。

一些有用的细节

我可以精确重建原始 PDF 吗？

不要假设可以进行精确的往返重建。导出内容描述的是可用内容和几何结构，而 PDF 的功能和语义可能更为复杂。

为什么我收到了一个 ZIP 文件？

示例包含一张图像。ZIP 文件将 document.json 和引用的资源保存在一起，以便能够定位图像。

轮到你了

查看结果，然后保存您需要的版本。