在 Delphi 中使用 PDFium 组件提取 PDF 文件中的文本

PDF 文本提取看起来很简单，直到您遇到一个文本层缺失、损坏或被拆分为几十个没有意义顺序的微小字符运行的文档；PDFium 组件为您提供了两个入口点：通过基于索引的 Character[] 数组对页面上的每个字形进行原始访问，以及 ReadablePageContent，用于从 PDF 的标记树或启发式分析中重建段落和标题的结构化视图；这二者都并非总是正确的选择，因此理解每个入口点暴露的内容是重要的

打开文档与静默失败陷阱

TPdf 通过设置 FileName 并翻转 Active := True 来打开文件；关键细节是： Active := True 绝不会引发异常；如果文件丢失、受密码保护或损坏，PDFium 会在内部捕获该错误，而 Active 只是简单地保持为 False；这意味着每个提取循环都必须对此进行防护：

Pdf := TPdf.Create(nil);
try
  Pdf.FileName := 'report.pdf';
  Pdf.Active := True;
  if not Pdf.Active then
  begin
    ShowMessage('Could not open PDF (damaged or wrong password)');
    Exit;
  end;
  // extraction follows here
finally
  Pdf.Active := False;
  Pdf.Free;
end;

受密码保护的文件需要在 Active := True 之前设置 Pdf.Password := '...'；没有第二次机会：一旦 Active 失败，您就必须关闭并使用正确的密码重新打开

使用 Character[] 进行逐页提取

最底层的方法是遍历每一页上的每个字符；设置 Pdf.PageNumber 以加载该页面的文本层，然后使用 Character[] 属性迭代 CharacterCount 条目；每个条目上的两个标志值得检查： CharacterGenerated[i] 标记了由渲染器插入的合成字形（例如换行符处的软连字符），它们没有实际的 Unicode 值； CharacterMapError[i] 则表明 PDFium 无法将该字形映射到码点，这发生在缺少 ToUnicode 表的字体编码中

procedure ExtractAllText(Pdf: TPdf; Output: TStrings);
var
  Page, I: Integer;
  Line: string;
  Ch: WideChar;
begin
  for Page := 1 to Pdf.PageCount do
  begin
    Pdf.PageNumber := Page;
    Line := '';
    for I := 0 to Pdf.CharacterCount - 1 do
    begin
      if Pdf.CharacterGenerated[I] or Pdf.CharacterMapError[I] then
        Continue;
      Ch := Pdf.Character[I];
      if Ch = #13 then
        Ch := #10;   // normalize CR to LF
      Line := Line + Ch;
    end;
    Output.Add(Line);
  end;
end;

结果是按照 PDFium 枚举它们的顺序排列的 Unicode 码点的扁平字符串，这是它们出现在内容流中的顺序，并不一定是自左向右的阅读顺序；对于由标准办公工具制作的大多数拉丁文本文档，这没有问题；对于使用异常字形序列进行 OCR 的扫描 PDF，或者对于自右向左的文本，顺序可能是错的；这时候 ReadablePageContent 就会派上用场

使用 ReadablePageContent 进行结构化提取

ReadablePageContent 向上走了一级：它返回一个 TPdfReadableContent 记录，其 Fragments 数组携带了标记的内容片段，每个片段都带有一个 Kind 标识段落、标题、列表项、表格单元格等；当 PDF 携带结构树时（检查 Pdf.IsTagged），源是 rosStructure，并且阅读顺序是权威的；对于未标记的文件，PDFium 会退回到 rosHeuristic，它通过包围盒将字符分组为看似合理的阅读单元，但无法保证准确性

procedure ExtractStructured(Pdf: TPdf; Output: TStrings);
var
  Page: Integer;
  Content: TPdfReadableContent;
  Fragment: TPdfContentFragment;
begin
  for Page := 1 to Pdf.PageCount do
  begin
    Content := Pdf.ReadablePageContent(Page);
    for Fragment in Content.Fragments do
    begin
      case Fragment.Kind of
        cfHeading   : Output.Add('# ' + Fragment.Text);
        cfParagraph : Output.Add(Fragment.Text);
        cfListItem  : Output.Add('- ' + Fragment.Text);
      else
        Output.Add(Fragment.Text);
      end;
    end;
  end;
end;

如果 Content.Source = rosHeuristic并且您的输出看起来是乱码，那么文档的文本层在编写时可能没有考虑到阅读顺序；此时，唯一可靠的修复方法是从源应用程序重新导出并进行正确的标记，或者运行一个按 Y 轴再按 X 轴排序字符原点的后处理步骤

CharacterOrigin 和 CharacterRectangle 能带给您什么

这两个属性都返回字符在页面空间中的位置（点，原点在左下角，Y 轴向上递增）； CharacterOrigin[i] 是字形的基线锚点； CharacterRectangle[i] 是完整的包围盒；这些是除了纯文本之外的任何内容的构建块：检测列边界、通过在公差范围内比较 Y 坐标将字符分组为行，或者在查看器中构建用于文本选择的碰撞测试图；如果您需要找到鼠标点击下坐落着哪个字符， CharacterIndexAtPos(X, Y, ToleranceX, ToleranceY) 会直接执行该查找，而无需您迭代矩形

使 DLL 就位

PDFium 组件将所有的 PDF 解析委托给原生的 DLL，根据您的目标平台，它可能是 pdfium32.dll 或 pdfium64.dll；组件附带了一个 CopyDlls.bat 脚本，可以将正确的文件复制到 Windows 系统目录中；在开发机上以管理员身份运行一次就足够了，对于部署，您需要将 DLL 复制到应用程序可执行文件旁；启用 V8 的变体（pdfium32v8.dll、pdfium64v8.dll）要大得多，只有在您的 PDF 包含必须执行的 JavaScript 时才需要；对于纯文本提取，标准构建是正确的选择

如果运行时缺少 DLL， Active := True 会像文件丢失一样静默失败，因为组件在内部捕获了加载错误；在发售前务必在干净的机器上进行测试

在布局分析中将 FontSize[] 与 Character[] 结合使用

除了纯文本，字符级 API 还公开了 FontSize[i]，它返回每个字形的渲染点大小（Point size）；结合 CharacterOrigin[i] 和 CharacterRectangle[i]，这使您无需依赖结构树即可区分正文和标题；在未标记的文档中，字号跳转到阈值以上的字符运行几乎可以肯定是一个标题；相同的技术也适用于检测说明文字（图像包围盒下方的微小文字）或脚注（靠近页面底部的微小文字）；所有这些都不需要进行渲染，这三个属性都直接从 PDFium 在 Active := True 期间构建 the 文本层中读取

一个细微差别： FontSize[i] 反映了应用页面 CTM（当前变换矩阵）后的大小，因此作者缩放了整个页面的文档将报告按比例调整的大小；如果您在不同页面尺寸的页面之间比较大小，请在做出阈值决策前对照每个页面的 MediaBox 高度进行规范化

将输出写入文件

Delphi’s TStringList 自 XE 起能干净地处理 UTF-8 输出；如果需要无 BOM 文件（许多下游消费者会因前导 BOM 而卡住），请设置 WriteBOM := False：

var
  Lines: TStringList;
begin
  Lines := TStringList.Create;
  try
    ExtractAllText(Pdf, Lines);
    Lines.WriteBOM := False;
    Lines.SaveToFile('output.txt', TEncoding.UTF8);
  finally
    Lines.Free;
  end;
end;

对于需要关注内存的非常大型文档，可以在页面循环内部直接写入带有 TEncoding.UTF8 的 TStreamWriter，而不是首先将所有内容累积到列表中

这里显示的 Character[]、 CharacterCount、 CharacterOrigin[]、 CharacterRectangle[]、 ReadablePageContent 以及 CharacterIndexAtPos API 都是适用于 Delphi 和 C++Builder 的 PDFium Component 的一部分

在 Delphi 中使用 PDFium 组件提取 PDF 文件文本