首页 文章

iText 阅读多语言 PDF 文档

提问于
浏览 次
0

阅读多语言 PDF 文件

当 iText 读取 PDF(将页面内容提取为字符串变量)时，内容将通过以下方式修复：

reader = new PdfReader(getResources().openRawResource(R.raw.resume1));
original_content = PdfTextExtractor.getTextFromPage(reader, 2);
String sub_content = original_content.trim().replaceAll(" {2,}", " ");
sub_content = sub_content.trim().replaceAll("\n ", "\n");
sub_content = sub_content.replaceAll("(.+)(?<!\\.)\n(?!\\W)", "$1 ");

如果文档只有 1 列，但如果文档有多列，则每行提取文档 1。它会结合左右列。

我使用这个作为示例 PDF，这是来自 START QA 文档。

如何阅读多语言 PDF 文档？

java android pdf itext

1 回答

  • 2

    这个问题有两种不同的方法，使用的选择取决于 PDF 本身。

    • 如果问题中 PDF 的页面内容中的字符串已经按照所需的顺序排列：而不是使用PdfTextExtractor.getTextFromPage隐式使用的LocationTextExtractionStrategy，而是使用SimpleTextExtractionStrategy;在你的情况下：
    original_content = PdfTextExtractor.getTextFromPage(reader, 2, new SimpleTextExtractionStrategy());
    • 如果所讨论的 PDF 的页面内容中的字符串不是**所需的顺序：而不是隐式使用的LocationTextExtractionStrategy，而是使用PdfTextExtractor.getTextFromPage明确地将一个这样的策略包装在FilteredTextRenderListener中，限制它接收文本仅适用于单个区域;在你的情况下：
    Rectangle left = new Rectangle(0, 0, 306, 792);
Rectangle right = new Rectangle(306, 0, 612, 792);
RenderFilter leftFilter = new RegionTextRenderFilter(left);
RenderFilter rightFilter = new RegionTextRenderFilter(right);
[...]
TextExtractionStrategy strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), leftFilter);
original_content = PdfTextExtractor.getTextFromPage(reader, 2, strategy);
originalContent += " ";
strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), rightFilter);
original_content += PdfTextExtractor.getTextFromPage(reader, 2, strategy);
    回复于

相关问题