我的问题是：
如何从PDF文件中提取文本，该文件按列分割，我将结果由此列分隔？
背景：我从事一个关于文本分析（特别是科学文本）的项目 . 这些文本有时以多个列布局发布，每列给出一个单独的页码 . 要通过有层次的页面编号对所提取的文本进行排序，按列提取文本会很有用 .
我使用 pdfBox 并尝试/搜索了几件事：
-
我尝试了
PDPage类的getThreadBeads()方法 - >结果：列表0大小 -
我尝试用
getCharactersByArticle()方法抓取文本 - >文本不分列
（我尝试使用已发布文本的pdf文件以及基于自创的.doc文件，每个文件都有多列布局）
问题是pdfBox似乎自动按列分割文本：如果我将 setSortByPosition() 设置为 PDFTextStripper ，则页面的所有符号都设置在一行而不识别单独的列 . 但是，如果我将 setSortByPosition() 设置为false，则剥离器正在进行此分割 .
为此我查看了pdfBox源代码：关键方法是PDFTextStripper的 writePage() 方法 . 这里显然计算了空间（在大多数pdf中没有给出）和换行符 . 但我无法找到Stripper如何计算柱断裂 .
那么问题又来了：
-
PDFTextStripper如何计算列中断？
-
pdfBox API中是否有方法来捕获/按列提取文本？
-
这可能与其他pdf-api一起使用吗？
提前致谢
1 回答
事实并非如此 .
通过将
SortByPosition设置为false，您告诉PDFBox不要尝试从页面内容流中对文本片段进行排序，而是按照它们出现的顺序接受它们 .在您的文档中，文本片段似乎是按阅读顺序绘制的，即逐列 . 对于所有文档都不是这样，并且为了处理其他文档，PDFBox提供了从左到右，从上到下排序文本片段的选项 .
在文档中激活该选项（将
SortByPosition设置为true）将返回不考虑列的文本 .PDFBox不会分析页面内容以识别列 . 但是，如果进行分析，则允许您逐列提取文本，如果您将列矩形作为规则提供 .