PDF Get Words

Tipo: pdf-get-words · Paquete: PDF Activities v1.1.0 · Salida: List

Extrae todas las palabras del PDF junto con su página y su caja delimitadora (posición y tamaño). Es la versión “con posición” de PDF Get Text: en vez de un bloque de texto, te dice dónde está cada palabra dentro de la página.

Cómo funciona

Recorre las páginas indicadas y devuelve una lista plana de palabras (no agrupadas por página ni por línea): cada elemento lleva su propio número de página.

Las coordenadas usan origen arriba-izquierda — el mismo que las imágenes y el OCR. Así, las palabras que devuelve esta actividad y las líneas que devuelve OCR Get Lines hablan el mismo idioma, y puedes localizar un valor en la página venga de donde venga.

Por defecto las coordenadas salen en puntos PDF (un punto es 1/72 de pulgada). Si indicas dpi, salen en píxeles de un render a esa resolución: eso hace que cuadren con los archivos que genera PDF To Images al mismo dpi, y puedes recortar o dibujar sobre la imagen usando estas coordenadas directamente.

Parámetros requeridos

Parámetro	Editor	Descripción
`path`	expresión	Ruta del archivo PDF.

Parámetros opcionales

Parámetro	Editor	Descripción
`pages`	expresión	Páginas a leer: `"all"` (def.) o un rango como `"1-3,5,7-9"`.
`dpi`	expresión	Si lo indicas, devuelve las coordenadas en píxeles de un render a esa resolución (cuadran con PDF To Images al mismo DPI). Si lo omites, en puntos PDF. Entre 36 y 1200.

Salida

Devuelve una List de palabras. Cada palabra tiene:

Clave	Qué es
`text`	La palabra.
`page`	Número de página (desde 1).
`x`	Distancia desde el borde izquierdo de la página.
`y`	Distancia desde el borde superior de la página.
`width`	Ancho de la palabra.
`height`	Alto de la palabra.

Ejemplo

Renderizar el PDF y extraer las palabras con coordenadas que casan con las imágenes:

PDF To Images   path = = rutaFactura   outputDir = "C:/temp/paginas"   dpi = 200   → output: imagenes
PDF Get Words   path = = rutaFactura   dpi = 200   → output: palabras
Log   message = = "Palabras: " + count(palabras)

Localizar dónde aparece un valor en la página:

PDF Get Words   path = = ruta   pages = "1"   → output: palabras
For Each   collection = = palabras   itemVariable = palabra
 └─ activities:
      If   condition = = palabra["text"] == "TOTAL"
       └─ then:
            Log   message = = "TOTAL está en x=" + palabra["x"] + " y=" + palabra["y"]

Actividades relacionadas

PDF Get Text — el texto sin coordenadas.
PDF To Images — renderizar las páginas a imagen al mismo DPI.
OCR Get Lines — lo mismo, pero para PDF escaneados e imágenes.