在 Delphi 中使用 PDFium 元件擷取 PDF 檔案的文字

PDF 文字擷取看似簡單，直到您遇到文字層不存在、損毀，或是被拆分到數十個毫無意義順序的微小字元組的文檔為止；PDFium 元件為您提供兩個進入點：Character[] 陣列用於對頁面上的每個字形進行基於索引的原始存取，而 ReadablePageContent 則用於結構化檢視，從 PDF 的標籤樹或啟發式分析中重建段落和標題；兩者並非總是唯一的正確選擇，因此了解每個方法所呈現的內容至關重要

開啟文件與靜默失敗陷阱

TPdf 藉由設定 FileName 並切換到 Active := True 來開啟檔案；關鍵的細節在於：Active := True 絕不會引發異常；如果檔案遺失、受密碼保護或損毀，PDFium 會在內部處理該錯誤，而 Active 只會保持為 False；這代表每個擷取迴圈都必須對此進行防護：

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;

受密碼保護的檔案需要在 Active := True 之前設定 Pdf.Password := '...'；此時沒有第二次機會：一旦 Active 失敗，您就必須關閉並使用正確的密碼重新開啟

使用 Character[] 進行逐頁擷取

最低階的方法會走過每個頁面上的每個字元；設定 Pdf.PageNumber 以載入該頁面的文字層，然後使用 Character[] 屬性反覆檢視 CharacterCount 項目；每個項目上有兩個旗標值得檢查：CharacterGenerated[i] 標記由轉譯器插入的合成字形（例如換行處的軟連字號），這些字形沒有實際的 Unicode 值；而 CharacterMapError[i] 則發出訊號，表示 PDFium 無法將字形對應到字碼點，這通常發生在缺乏 ToUnicode 表的字型編碼中

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;

其傳回結果是依據 PDFium 列舉順序排列的 Unicode 字碼點平面字串，這正是它們在內容串流中出現的順序，而不一定是從左到右的閱讀順序；對於大多數由標準辦公工具產生的拉丁文字文件，這樣做是沒有問題的；對於使用異常字形序列進行 OCR 處理的掃描 PDF，或是從右到左的文字，順序可能會出錯；此時 ReadablePageContent 就會變得更加實用

使用 ReadablePageContent 進行結構化擷取

ReadablePageContent 提升了一個層級：它傳回一個 TPdfReadableContent 記錄，其 Fragments 陣列帶有標記的內容片段，每個片段都有一個 Kind，用於識別段落、標頭、清單項目、表格儲存格等；當 PDF 帶有結構樹時（檢查 Pdf.IsTagged），來源為 rosStructure，且閱讀順序是具有權威性的；對於未標記的檔案，PDFium 會退而求其次使用 rosHeuristic，它會根據字元的邊框將其分組為合理的閱讀單元，但無法保證準確性

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 且您的輸出看起來是亂碼，那文件的文字層在編寫時可能沒有考慮到閱讀順序；此時，唯一可靠的解決方法是從來源應用程式中以正確的標記重新匯出，或是執行一個按照 Y 軸再按 X 軸對字元原點進行排序的後處理步驟

CharacterOrigin 与 CharacterRectangle 提供的資訊

這兩個屬性都會傳回頁面空間中字元的位置（點，原點在左下角，Y 軸向上遞增）；CharacterOrigin[i] 是字形的基準線錨點，CharacterRectangle[i] 是完整的邊框；這些是純文字之外任何應用的建置區塊：偵測欄邊界、透過比較容許度內的 Y 座標將字元分組為行，或是建置檢視器中用於文字選取的點擊測試對應表；如果您需要找出滑鼠點擊下是哪個字元，CharacterIndexAtPos(X, Y, ToleranceX, ToleranceY) 可以直接執行該查閱，而無需您重複走過各個矩形

置放 DLL 檔案

PDFium 元件將所有 PDF 解析委派給原生 DLL，根據您的目標平台，可能是 pdfium32.dll 或 pdfium64.dll；該元件隨附一個 CopyDlls.bat 指令碼，可將正確的檔案複製到 Windows 系統目錄中；在開發電腦上以系統管理員身分執行一次就足夠了；對於部署，您需要將 DLL 複製到應用程式可執行檔的旁邊；啟用 V8 的變體（pdfium32v8.dll、pdfium64v8.dll）體積明顯較大，且僅在您的 PDF 包含必須執行的 JavaScript 時才需要；對於純文字擷取，標準版本才是正確的選擇

如果執行階段缺少 DLL，Active := True 將會靜默失敗，就像檔案遺失一樣，因為元件會在內部擷取載入錯誤；在出貨前請務必在乾淨的電腦上進行測試

配合 Character[] 使用 FontSize[] 進行版面分析

除了純文字之外，字元層級的 API 還公開了 FontSize[i]，它會傳回每個字形轉譯後的點大小；結合 CharacterOrigin[i] 和 CharacterRectangle[i]，這可以讓您在不依賴結構樹的情況下，區分內文與標題；在未標記的文件中，字型大小跳到閾值以上的字元組幾乎可以確定是標題；相同的技術也適用於偵測圖說文字（影像邊框下方的小字）或頁尾註腳（靠近頁面底部的小字）；這一切都不需要轉譯，所有三個屬性都是直接從 PDFium 在 Active := True 期間建立的文字層中讀取

一個細微差別：FontSize[i] 反映了套用頁面 CTM（當前轉換矩陣）之後的大小，因此如果作者縮放了整個頁面，文件會回報等比例調整後的大小；如果您在具有不同頁面尺寸的頁面之間比較大小，在做出閾值決策之前，請先針對每個頁面的 MediaBox 高度進行標準化

將輸出寫入檔案

自 XE 版本以來，Delphi 的 TStringList 就可以乾淨地處理 UTF-8 輸出；如果您需要無 BOM 的檔案，請設定 WriteBOM := False（許多下游使用者會因為前導 BOM 而無法運作）：

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;

對於記憶體吃緊的極大型文件，請在頁面迴圈內使用 TEncoding.UTF8 直接寫入 TStreamWriter，而不是先將所有內容累積到清單中

此處顯示的 Character[]、CharacterCount、CharacterOrigin[]、CharacterRectangle[]、ReadablePageContent 和 CharacterIndexAtPos API 是適用於 Delphi 和 C++Builder 的 PDFium 元件的一部分

在 Delphi 中使用 PDFium 元件將 PDF 文件中的文字