使用PDFBox获取文本行的位置

1 回答

• 13

  一般而言

  要使用PDFBox提取文本（带或不带位置，颜色等额外信息），可以实例化 PDFTextStripper 或从中派生的类，并使用它：

  PDFTextStripper stripper = new PDFTextStripper();
  String text = stripper.getText(document);
  

  （有许多 PDFTextStripper 属性允许您限制从中提取文本的页面 . ）

  在执行 getText 的过程中，解析所讨论的页面的内容流（以及从这些页面引用的形式的xObject），并处理文本绘制命令 .

  如果要更改文本提取行为，则必须通过重写此方法来更改此文本绘制命令处理，这通常应该执行此操作：

  /**
   * Write a Java string to the output stream. The default implementation will ignore the <code>textPositions</code>
   * and just calls {@link #writeString(String)}.
   *
   * @param text The text to write to the stream.
   * @param textPositions The TextPositions belonging to the text.
   * @throws IOException If there is an error when writing the text.
   */
  protected void writeString(String text, List<TextPosition> textPositions) throws IOException
  {
      writeString(text);
  }
  

  如果您还需要知道新行何时开始，您可能还想覆盖

  /**
   * Write the line separator value to the output stream.
   * @throws IOException
   *             If there is a problem writing out the lineseparator to the document.
   */
  protected void writeLineSeparator( ) throws IOException
  {
      output.write(getLineSeparator());
  }
  

  writeString 可以被覆盖以将文本信息引导到单独的成员中（例如，如果您可能希望结果采用比仅仅 String 更结构化的格式），或者可以覆盖它以简单地将一些额外信息添加到结果 String 中 .

  可以重写 writeLineSeparator 以触发行之间的某些特定输出 .

  有更多的方法可以被覆盖，但一般来说你不太可能需要它们 .

  ---

  在手头的情况下

  我正在使用PDFBox从pdf中提取信息，我当前试图找到的信息与该行中第一个字符的x位置有关 .

  这可以通过以下方式实现（只需在每行的开头添加信息）：

  PDFTextStripper stripper = new PDFTextStripper()
  {
      @Override
      protected void startPage(PDPage page) throws IOException
      {
          startOfLine = true;
          super.startPage(page);
      }
  
      @Override
      protected void writeLineSeparator() throws IOException
      {
          startOfLine = true;
          super.writeLineSeparator();
      }
  
      @Override
      protected void writeString(String text, List<TextPosition> textPositions) throws IOException
      {
          if (startOfLine)
          {
              TextPosition firstProsition = textPositions.get(0);
              writeString(String.format("[%s]", firstProsition.getXDirAdj()));
              startOfLine = false;
          }
          super.writeString(text, textPositions);
      }
      boolean startOfLine = true;
  };
  
  text = stripper.getText(document);
  

  （ExtractText.java方法 extractLineStart 由 testExtractLineStartFromSampleFile 测试）

  回复于 2024-04-20T02:08:51+08:00