问PDFBox提取段落

EN

PDF文档中的文本是绝对定位的。因此，只有绝对定位的字符，而不是单词、行和段落。

假设你有一段话：

Neque porro quisquam est qui dolorem ipsum quia dolor坐下amet，consectetur，adipisci velit

粗略地说，在PDF文件中，它将被表示为字符N在某个位置，e在它的右边，q，u，e在右边，等等。

PDFBox尝试猜测字符是如何组成单词、行和段落的。因此，它将在大致相同的垂直位置查找大量字符，查找彼此接近和相似的字符组，以尝试找到您需要的字符。它通过从整个页面中提取文本，然后逐个字符地对其进行处理来创建文本(它还可以尝试从页面中的一个矩形区域提取文本)。请参阅相应的类PDFTextStripper (或PDFTextStripperByArea)。有关用法，请参阅PDFBox源代码中的ExtractText.java。

这意味着您不能使用PDFBox轻松提取段落。这也意味着，在提取文本时，PDFBox可能会并且有时会错过(有很多非常不同的PDF文档)。

您可以做的是从整个页面中提取文本，然后尝试通过搜索该文本来查找您的段落。Regular expressions通常非常适合于这样的任务(在Java中可以通过Pattern和Matcher类使用，或者在String类上使用方便的方法)。

public static void main(String[] args) throws InvalidPasswordException, IOException {
    File file = new File("File Path");
    PDDocument document = PDDocument.load(file);        
    PDFTextStripper pdfStripper = new PDFTextStripper();
    pdfStripper.setParagraphStart("/t");
    pdfStripper.setSortByPosition(true);


    for (String line: pdfStripper.getText(document).split(pdfStripper.getParagraphStart()))
            {
                System.out.println(line);
                System.out.println("********************************************************************");
            }
}

伙计们，请试试上面的代码。这肯定适用于PDFBox-2.0.8 Jar

我已经使用下面的方法检测到了段落的开头。逐行阅读这一页。对于每行：-

1. 查找‘’的最后一个索引行中的(句点)。
2. 将此索引与输入行的长度进行比较。
3. 如果索引小于，则表示这不是上一段的结尾。
4. 如果是，则表示上一段已结束，下一行将是新段落的开始。

希望这能有所帮助。