问使用PDF Clown检测PDF表格中的标题和边框

EN

我用的是

的TextInfoExtractionSample...

在下面的代码中，对于object，" content“，我看到扫描的内容是文本、XObject、ContainerObject，但没有边框。

while(level.MoveNext()) { ContentObject content = level.Current；}

A)访问所有内容

    if(content is XObject)
    {
        // Scan the external level!
        Extract(((XObject)content).GetScanner(level), composer);
    }

和

    if(content is ContainerObject)
    {
        // Scan the inner level!
        Extract(level.ChildLevel, composer);
    }

这些块使得样本递归成为复杂的对象(您提到的XObject、ContainerObject )，而这些对象又包含它们自己的简单内容。

B)检查所有内容

任何人都知道什么对象代表

表格中的边框

因此，在扫描页面内容时(递归地，如A中所示)，您必须查找包含以下内容的Path实例(名称空间org.pdfclown.documents.contents.objects

• moveTo m，lineTo l和笔划S操作或
• 矩形re和填充f操作。

(This answer可能会有所帮助)

如果PDF恰好是带标签的，事情可能会更容易一些，因为你需要解释的更少。相反，您可以阅读标记信息，它可能会告诉您单元格的开始和结束位置，因此您不需要解释图形线。不幸的是，更少的PDF被标记。

或者如何检测文本是否是表格的标题？

如上所述，除非您碰巧检查了带标签的PDF，否则不会立即告诉您某些文本是表格标题。你得再解释一遍。它是在顶部的里面吗？或者就在里面的任何地方？它是以特定字体绘制的吗？还是更大？不同的颜色？等。