Visual Studio 2019 C++ で、PDF を扱いたいのですが、適切なライブラリは何でしょうか

#背景
Windows10 上で Visual Sdutio 2019 C++ でアプリケーションを開発しようとしています。まだ、VC++ を触ってから１か月程度の初心者です。表題に書いてあるとおり、PDF ファイルを扱いたいと考えていますが、とっかかりがつかめません。

#やりたいこと
たとえば、アンケート用紙が 50枚ほどあったとして、それを連続してスキャンすると PDF ファイルができます。使用する機器としては、たとえば、次のようなものを想定しています。
ScanSnap iX500
このような PDF ファイルをページごとに画像として認識し、その画像データを CImage 等で処理したいと考えています。

#ソースコード
現時点では、ソースコードは、ありません。

#エラーメッセージ等
現時点では、エラーは発生していません。

#疑問点
このような作業は、Windows 10 の標準 WinAPI で実行することは可能なのでしょうか。それとも、何らかの「フリーのライブラリ」を使うべきなのでしょうか。いろいろと検索したり、teratail 内を調べたりしたのですが、うまくヒットしませんでした。

御多用中恐縮ですが、「こういうふうに検索すると情報が出てくるよ」ということでもよいので、御教授いただければ幸いです。

SHOMI

2019/12/26 01:35 編集

画像だけが必要なら、はじめから画像としてスキャンすればいいのではないでしょうか。それとも画像とは別にPDFファイルも残しておく必要があるのでしょうか？原稿そのままの画像ではなくOCR処理後のPDFファイルを画像化したいと言うことでしょうかね？

TAKASE_Hiroyuki

2019/12/26 01:40

御質問いただき、ありがとうございます。質問の前半に書いてあるとおり、アンケート用紙みたいなものを大量にスキャンして PDF ファイルとして保存し、その PDF ファイルを読み込んで処理するということを念頭に置いています。実際のユーザーさんは、「この機械に、この用紙を、こっち向きに置いて、このボタンを押してください」というレベルの御案内が必要な人たちです。この場合、大量の画像データが発生すると、その画像データをそもそも処理することが難しいと考えられます。 OCR を活用した処理については、将来的にありえますが、当面は「画像だけ」の処理になりそうです。

行動規範の内容に同意します

回答3件

PDFのレタリングエンジンといえばChromeに組み込まれているPDFiumとかでしょうか。

多分C#でラップしているヤツのほうが使いやすい可能性があります(使ったことないし知らんけど
https://github.com/cube-soft/Cube.Pdf/

いずれにせよできればPDFとか関わり合いになりたくないものです。ろくなもんじゃない。

投稿2019/12/24 17:22

yumetodo

総合スコア5852

TAKASE_Hiroyuki

2019/12/24 19:29

御回答いただき、ありがとうございました。 PDFium についは、今回、初めて知りました。今後、じっくり調べてみたいと考えています。なお、teratail 内で PDFium について、どなたかが言及されているだろうかと検索してみたところ、本件のみが該当しました。yumetodo 様がおっしゃるとおり、皆様、苦労されているんだろうなあと感じた次第です。

yumetodo

2019/12/25 02:39

そもそもPDFってテキストを選択するときに「ユーザーはおそらく正しい順番でテキストを選択しようとする」みたいな仮定を使う場合すらあるそうで・・・

行動規範の内容に同意します

私も以前、pdfについて研究していた時期があったのですが、出力用のライブラリはlibHaruやGhostscriptなどがあるのですが、入力用のものはびっくりするほど少ないです。検索で出てくるものといえば下記のものぐらいです。
https://www.antenna.co.jp/pdfviewersdk/
PDFは想像以上に多機能で、機能を限定した読み取りであれば個人でもなんとかできるかもしれないレベルなのですが、汎用的なライブラリともなると、企業レベルでないとまず作成できないのが原因でしょう。

ただ、画像を抜き出す原理は説明できるので、それだけ書いておきます。

PDFファイル内の「オブジェクト」一覧をファイル末尾のテーブルから読み取る。
各オブジェクトに対し、画像かどうかの判定を行う。
画像を出力する。

https://itchyny.hatenablog.com/entry/2015/09/16/100000
このURLが参考になりますよ。

投稿2019/12/24 12:23

majiponi

総合スコア1722

TAKASE_Hiroyuki

2019/12/24 19:34

御回答いただき、ありがとうございました。アンテナハウス社の製品について調べたところ、個人的に利用する場合でも、10万円の経費が必要らしいです。なるほど、個人が簡単に触るものではないのかも知れないなと感じました。また、「2015-09-16　詳細PDF入門ー実装して学ぼう！PDFファイルの構造とその書き方読み方」も拝読しました。「なるほど、PDF の基本的な構造はこういう風になっているんだな」と、大変勉強になりました。ありがとうございました。今回、私が扱おうとしているデータは「画像だけ」です。したがって、majiponi 様がおっしゃるとおり、「各オブジェクトに対して、画像かどうかの判定をする」だけで対応できそうなのですが、アプリケーションのユーザーがどのような PDF ファイルをもってくるかは予想がつきません。皆さんに使っていただきながら、少しずつ機能拡張していくことになりそうです。

行動規範の内容に同意します

自己解決