如何在iText 7中从pdf页面获取文本位置
如何在iText 7中从pdf页面获取文本位置
提问于 2017-05-03 04:41:46
我正在尝试查找PDF页面中的文本位置？
我所尝试的是通过PDF文本提取器使用简单的文本提取策略来获取PDF页面中的文本。我循环每个单词以检查我的单词是否存在。使用以下命令拆分单词：
var Words = pdftextextractor.Split(new char[] { ' ', '\n' });我不能做的是找到文本的位置。问题是我找不到文本的位置。我需要找到的就是PDF文件中单词的y坐标。
回答 3
Stack Overflow用户
回答已采纳
发布于 2017-05-03 15:12:55
首先，SimpleTextExtractionStrategy并不完全是“最聪明”的策略(顾名思义。
其次，如果你想要这个职位，你将不得不做更多的工作。TextExtractionStrategy假设您只对文本感兴趣。
可能的实施：
- 实现对呈现文本的所有事件进行通知的IEventListener
- get，并存储相应的TextRenderInfo object
- 处理完文档后，根据这些对象在此TextRenderInfo对象列表上的页面
- 循环中的位置对这些对象进行排序，它们同时提供所呈现的文本和坐标
如何：
- implement (或扩展现有的
策略)，其中ITextExtractionStrategy表示您在步骤1中创建的策略
- 您的策略应设置为跟踪其处理的文本的位置
ITextExtractionStrategy在其接口中有以下方法：
@Override
public void eventOccurred(IEventData data, EventType type) {
// you can first check the type of the event
if (!type.equals(EventType.RENDER_TEXT))
return;
// now it is safe to cast
TextRenderInfo renderInfo = (TextRenderInfo) data;
}要记住的重要一点是，pdf中的渲染指令不需要按顺序出现。文本"Lorem Ipsum Dolor Sit Amet“可以用类似于: render "Ipsum Do”的指令来呈现。
渲染"Lorem“
呈现"lor Sit Amet“
您必须进行一些巧妙的合并(取决于两个TextRenderInfo对象之间的距离)和排序(以正确的读取顺序获得所有TextRenderInfo对象)。
一旦完成，就应该很容易了。
Stack Overflow用户
发布于 2017-05-04 22:14:57
我可以用我之前的Itext5版本来操作它。我不知道你是不是在找C#，但下面的代码就是用它写的。
using iText.Kernel.Geom;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Data;
using iText.Kernel.Pdf.Canvas.Parser.Listener;
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
class TextLocationStrategy : LocationTextExtractionStrategy
{
private List<textChunk> objectResult = new List<textChunk>();
public override void EventOccurred(IEventData data, EventType type)
{
if (!type.Equals(EventType.RENDER_TEXT))
return;
TextRenderInfo renderInfo = (TextRenderInfo)data;
string curFont = renderInfo.GetFont().GetFontProgram().ToString();
float curFontSize = renderInfo.GetFontSize();
IList<TextRenderInfo> text = renderInfo.GetCharacterRenderInfos();
foreach (TextRenderInfo t in text)
{
string letter = t.GetText();
Vector letterStart = t.GetBaseline().GetStartPoint();
Vector letterEnd = t.GetAscentLine().GetEndPoint();
Rectangle letterRect = new Rectangle(letterStart.Get(0), letterStart.Get(1), letterEnd.Get(0) - letterStart.Get(0), letterEnd.Get(1) - letterStart.Get(1));
if (letter != " " && !letter.Contains(' '))
{
textChunk chunk = new textChunk();
chunk.text = letter;
chunk.rect = letterRect;
chunk.fontFamily = curFont;
chunk.fontSize = curFontSize;
chunk.spaceWidth = t.GetSingleSpaceWidth() / 2f;
objectResult.Add(chunk);
}
}
}
}
public class textChunk
{
public string text { get; set; }
public Rectangle rect { get; set; }
public string fontFamily { get; set; }
public int fontSize { get; set; }
public float spaceWidth { get; set; }
}我也会深入到每个单独的角色，因为它更适合我的流程。您可以操作名称，当然也可以操作对象，但我创建textchunk是为了保存我想要的内容，而不是拥有一堆renderInfo对象。
可以通过添加几行代码来实现这一点，以便从pdf中获取数据。
PdfDocument reader = new PdfDocument(new PdfReader(filepath));
FilteredEventListener listener = new FilteredEventListener();
var strat = listener.AttachEventListener(new TextExtractionStrat());
PdfCanvasProcessor processor = new PdfCanvasProcessor(listener);
processor.ProcessPageContent(reader.GetPage(1));一旦走到这一步，您就可以将objectResult从strat中拉出来，方法是将其设置为公共的，或者在类中创建一个方法来获取objectResult并对其执行某些操作。
Stack Overflow用户
发布于 2017-05-04 23:26:08
@Joris' answer解释了如何为任务实现全新的提取策略/事件侦听器。或者，您可以尝试调整现有的文本提取策略来执行所需的操作。
这个答案演示了如何调整现有的LocationTextExtractionStrategy以返回文本及其字符各自的y坐标。
注意，这只是一个概念验证，它特别假设文本是水平书写的，即使用有效的转换矩阵(ctm和文本矩阵组合)，其中b和c等于0。此外，TextPlusY的字符和坐标检索方法根本没有优化，可能需要很长时间才能执行。
由于OP没有表示语言偏好，这里有一个用于Java的iText7的解决方案：
TextPlusY
对于手头的任务，需要能够并排检索字符和y坐标。为了简单起见，我使用了一个类来表示两个文本及其字符各自的y坐标。它是从CharSequence派生出来的，它是String的推广，允许它用于许多与String相关的函数中：
public class TextPlusY implements CharSequence
{
final List<String> texts = new ArrayList<>();
final List<Float> yCoords = new ArrayList<>();
//
// CharSequence implementation
//
@Override
public int length()
{
int length = 0;
for (String text : texts)
{
length += text.length();
}
return length;
}
@Override
public char charAt(int index)
{
for (String text : texts)
{
if (index < text.length())
{
return text.charAt(index);
}
index -= text.length();
}
throw new IndexOutOfBoundsException();
}
@Override
public CharSequence subSequence(int start, int end)
{
TextPlusY result = new TextPlusY();
int length = end - start;
for (int i = 0; i < yCoords.size(); i++)
{
String text = texts.get(i);
if (start < text.length())
{
float yCoord = yCoords.get(i);
if (start > 0)
{
text = text.substring(start);
start = 0;
}
if (length > text.length())
{
result.add(text, yCoord);
}
else
{
result.add(text.substring(0, length), yCoord);
break;
}
}
else
{
start -= text.length();
}
}
return result;
}
//
// Object overrides
//
@Override
public String toString()
{
StringBuilder builder = new StringBuilder();
for (String text : texts)
{
builder.append(text);
}
return builder.toString();
}
//
// y coordinate support
//
public TextPlusY add(String text, float y)
{
if (text != null)
{
texts.add(text);
yCoords.add(y);
}
return this;
}
public float yCoordAt(int index)
{
for (int i = 0; i < yCoords.size(); i++)
{
String text = texts.get(i);
if (index < text.length())
{
return yCoords.get(i);
}
index -= text.length();
}
throw new IndexOutOfBoundsException();
}
}()
TextPlusYExtractionStrategy
现在，我们扩展LocationTextExtractionStrategy以提取TextPlusY而不是String。我们需要做的就是泛化getResultantText方法。
不幸的是，LocationTextExtractionStrategy隐藏了一些需要在这里访问的方法和成员(__、private或包保护)；因此，需要一些反射魔术。如果您的框架不允许这样做，您将不得不复制整个策略并对其进行相应的操作。
public class TextPlusYExtractionStrategy extends LocationTextExtractionStrategy
{
static Field locationalResultField;
static Method sortWithMarksMethod;
static Method startsWithSpaceMethod;
static Method endsWithSpaceMethod;
static Method textChunkSameLineMethod;
static
{
try
{
locationalResultField = LocationTextExtractionStrategy.class.getDeclaredField("locationalResult");
locationalResultField.setAccessible(true);
sortWithMarksMethod = LocationTextExtractionStrategy.class.getDeclaredMethod("sortWithMarks", List.class);
sortWithMarksMethod.setAccessible(true);
startsWithSpaceMethod = LocationTextExtractionStrategy.class.getDeclaredMethod("startsWithSpace", String.class);
startsWithSpaceMethod.setAccessible(true);
endsWithSpaceMethod = LocationTextExtractionStrategy.class.getDeclaredMethod("endsWithSpace", String.class);
endsWithSpaceMethod.setAccessible(true);
textChunkSameLineMethod = TextChunk.class.getDeclaredMethod("sameLine", TextChunk.class);
textChunkSameLineMethod.setAccessible(true);
}
catch(NoSuchFieldException | NoSuchMethodException | SecurityException e)
{
// Reflection failed
}
}
//
// constructors
//
public TextPlusYExtractionStrategy()
{
super();
}
public TextPlusYExtractionStrategy(ITextChunkLocationStrategy strat)
{
super(strat);
}
@Override
public String getResultantText()
{
return getResultantTextPlusY().toString();
}
public TextPlusY getResultantTextPlusY()
{
try
{
List<TextChunk> textChunks = new ArrayList<>((List<TextChunk>)locationalResultField.get(this));
sortWithMarksMethod.invoke(this, textChunks);
TextPlusY textPlusY = new TextPlusY();
TextChunk lastChunk = null;
for (TextChunk chunk : textChunks)
{
float chunkY = chunk.getLocation().getStartLocation().get(Vector.I2);
if (lastChunk == null)
{
textPlusY.add(chunk.getText(), chunkY);
}
else if ((Boolean)textChunkSameLineMethod.invoke(chunk, lastChunk))
{
// we only insert a blank space if the trailing character of the previous string wasn't a space, and the leading character of the current string isn't a space
if (isChunkAtWordBoundary(chunk, lastChunk) &&
!(Boolean)startsWithSpaceMethod.invoke(this, chunk.getText()) &&
!(Boolean)endsWithSpaceMethod.invoke(this, lastChunk.getText()))
{
textPlusY.add(" ", chunkY);
}
textPlusY.add(chunk.getText(), chunkY);
}
else
{
textPlusY.add("\n", lastChunk.getLocation().getStartLocation().get(Vector.I2));
textPlusY.add(chunk.getText(), chunkY);
}
lastChunk = chunk;
}
return textPlusY;
}
catch (IllegalAccessException | IllegalArgumentException | InvocationTargetException e)
{
throw new RuntimeException("Reflection failed", e);
}
}
}()
用法
使用这两个类，您可以提取带有坐标的文本并在其中进行搜索，如下所示：
try ( PdfReader reader = new PdfReader(YOUR_PDF);
PdfDocument document = new PdfDocument(reader) )
{
TextPlusYExtractionStrategy extractionStrategy = new TextPlusYExtractionStrategy();
PdfPage page = document.getFirstPage();
PdfCanvasProcessor parser = new PdfCanvasProcessor(extractionStrategy);
parser.processPageContent(page);
TextPlusY textPlusY = extractionStrategy.getResultantTextPlusY();
System.out.printf("\nText from test.pdf\n=====\n%s\n=====\n", textPlusY);
System.out.print("\nText with y from test.pdf\n=====\n");
int length = textPlusY.length();
float lastY = Float.MIN_NORMAL;
for (int i = 0; i < length; i++)
{
float y = textPlusY.yCoordAt(i);
if (y != lastY)
{
System.out.printf("\n(%4.1f) ", y);
lastY = y;
}
System.out.print(textPlusY.charAt(i));
}
System.out.print("\n=====\n");
System.out.print("\nMatches of 'est' with y from test.pdf\n=====\n");
Matcher matcher = Pattern.compile("est").matcher(textPlusY);
while (matcher.find())
{
System.out.printf("from character %s to %s at y position (%4.1f)\n", matcher.start(), matcher.end(), textPlusY.yCoordAt(matcher.start()));
}
System.out.print("\n=====\n");
}(测试方法testExtractTextPlusYFromTest__)
对于我的测试文档
上面的测试代码的输出是
Text from test.pdf
=====
Ein Dokumen t mit einigen
T estdaten
T esttest T est test test
=====
Text with y from test.pdf
=====
(691,8) Ein Dokumen t mit einigen
(666,9) T estdaten
(642,0) T esttest T est test test
=====
Matches of 'est' with y from test.pdf
=====
from character 28 to 31 at y position (666,9)
from character 39 to 42 at y position (642,0)
from character 43 to 46 at y position (642,0)
from character 49 to 52 at y position (642,0)
from character 54 to 57 at y position (642,0)
from character 59 to 62 at y position (642,0)
=====我的语言环境使用逗号作为小数点分隔符，您可能会看到666.9而不是666,9。
您看到的额外空格可以通过进一步微调基本LocationTextExtractionStrategy功能来删除。但这是其他问题的焦点..。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/43746884
复制相关文章
相似问题
腾讯云开发者
