无法读取横越线突出显示的准确文本
无法读取横越线突出显示的准确文本
提问于 2015-09-16 12:03:16
我正在使用PDBox阅读PDF文档中突出显示的内容。我能够用单行和多个单词读到突出显示的文本。然而，我无法读到突出显示的文本跨行。请找到下面的示例代码来读取突出显示的文本。
PDDocument pddDocument = PDDocument.load(new File("C:\\pdf-sample.pdf"));
List allPages = pddDocument.getDocumentCatalog().getAllPages();
for (int i = 0; i < allPages.size(); i++) {
int pageNum = i + 1;
PDPage page = (PDPage) allPages.get(i);
List<PDAnnotation> la = page.getAnnotations();
if (la.size() < 1) {
continue;
}
System.out.println("Page number : "+pageNum);
for (PDAnnotation pdfAnnot: la) {
if (pdfAnnot.getSubtype().equals("Popup")) {
continue;
}
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition(true);
PDRectangle rect = pdfAnnot.getRectangle();
float x = rect.getLowerLeftX() - 1;
float y = rect.getUpperRightY() - 1;
float width = rect.getWidth();
float height = rect.getHeight() + rect.getHeight() / 4;
int rotation = page.findRotation();
if (rotation == 0) {
PDRectangle pageSize = page.getMediaBox();
y = pageSize.getHeight() - y;
}
Rectangle2D.Float awtRect = new Rectangle2D.Float(x, y, width, height);
stripper.addRegion(Integer.toString(0), awtRect);
stripper.extractRegions(page);
System.out.println("------------------------------------------------------------------");
System.out.println("Annot type = " + pdfAnnot.getSubtype());
System.out.println("Getting text from region = " + stripper.getTextForRegion(Integer.toString(0)) + "\n");
System.out.println("Getting text from comment = " + pdfAnnot.getContents());
}
}
在跨行读取突出显示的文本时，"pdfAnnot.getRectangle()“函数返回文本周围的最小矩形区域。这提供了比所需的更多的文本。我找不到任何API来提取精确的突出显示的文本。
例如:从测试PDF文件中提取的文本。
任何人，在任何地方都可以打开PDF文件。您所需要的只是免费的 Acrobat 阅读器。其他文件格式的接收方有时无法打开文件，因为它们 没有用于创建文档的应用程序。
用例1:读取第一个粗体文本，即PDF。阅读单行突出显示的文本时没有任何问题。正确的文本将如下所示：
输出:从region = "PDF“获取文本
用例2:读取第二个粗体文本，即 Acrobat阅读器，它跨越两行。在本例中，在运行上述程序时提取的文本是：
输出:获取区域=“任何人，任何地方都可以打开PDF文件。您需要的是免费的Acrobat。其他文件格式的收件人有时不能打开文件，因为他们”。
getRectangle() API给出被突出显示的文本包围的最小矩形的坐标。因此，它比“”更多的是文本。
- 如何知道在提取区域中突出显示的起始点和结束点。
- 如何知道提取区域中的行数。
任何帮助都将不胜感激。
回答 2
Stack Overflow用户
发布于 2016-08-13 05:11:41
我使用以下代码成功地提取了突出显示的文本。
// PDF32000-2008
// 12.5.2 Annotation Dictionaries
// 12.5.6 Annotation Types
// 12.5.6.10 Text Markup Annotations
@SuppressWarnings({ "unchecked", "unused" })
public ArrayList<String> getHighlightedText(String filePath, int pageNumber) throws IOException {
ArrayList<String> highlightedTexts = new ArrayList<>();
// this is the in-memory representation of the PDF document.
// this will load a document from a file.
PDDocument document = PDDocument.load(filePath);
// this represents all pages in a PDF document.
List<PDPage> allPages = document.getDocumentCatalog().getAllPages();
// this represents a single page in a PDF document.
PDPage page = allPages.get(pageNumber);
// get annotation dictionaries
List<PDAnnotation> annotations = page.getAnnotations();
for(int i=0; i<annotations.size(); i++) {
// check subType
if(annotations.get(i).getSubtype().equals("Highlight")) {
// extract highlighted text
PDFTextStripperByArea stripperByArea = new PDFTextStripperByArea();
COSArray quadsArray = (COSArray) annotations.get(i).getDictionary().getDictionaryObject(COSName.getPDFName("QuadPoints"));
String str = null;
for(int j=1, k=0; j<=(quadsArray.size()/8); j++) {
COSFloat ULX = (COSFloat) quadsArray.get(0+k);
COSFloat ULY = (COSFloat) quadsArray.get(1+k);
COSFloat URX = (COSFloat) quadsArray.get(2+k);
COSFloat URY = (COSFloat) quadsArray.get(3+k);
COSFloat LLX = (COSFloat) quadsArray.get(4+k);
COSFloat LLY = (COSFloat) quadsArray.get(5+k);
COSFloat LRX = (COSFloat) quadsArray.get(6+k);
COSFloat LRY = (COSFloat) quadsArray.get(7+k);
k+=8;
float ulx = ULX.floatValue() - 1; // upper left x.
float uly = ULY.floatValue(); // upper left y.
float width = URX.floatValue() - LLX.floatValue(); // calculated by upperRightX - lowerLeftX.
float height = URY.floatValue() - LLY.floatValue(); // calculated by upperRightY - lowerLeftY.
PDRectangle pageSize = page.getMediaBox();
uly = pageSize.getHeight() - uly;
Rectangle2D.Float rectangle_2 = new Rectangle2D.Float(ulx, uly, width, height);
stripperByArea.addRegion("highlightedRegion", rectangle_2);
stripperByArea.extractRegions(page);
String highlightedText = stripperByArea.getTextForRegion("highlightedRegion");
if(j > 1) {
str = str.concat(highlightedText);
} else {
str = highlightedText;
}
}
highlightedTexts.add(str);
}
}
document.close();
return highlightedTexts;
}Stack Overflow用户
发布于 2021-03-17 23:40:10
要使@roham提供的代码在Apache (2.0)的当前版本中工作，您必须做很多更改。
这段代码工作得很好，我在Free平面中的一个groovy脚本中使用了它。您可能需要更改logger.info函数。
@Grab(group='org.apache.pdfbox', module='pdfbox', version='2.0.22')
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.interactive.annotation.*;
import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotation;
import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotationMarkup;
import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotationText;
import org.apache.pdfbox.text.PDFTextStripperByArea;
import org.apache.pdfbox.pdmodel.common.*;
import org.apache.pdfbox.pdmodel.common.PDRectangle;
import java.awt.geom.Rectangle2D;
import org.apache.pdfbox.cos.*
// PDDocument document = new PDDocument();
String pdfFilePath = 'temp.pdf'
PDDocument pdfDoc = PDDocument.load(new File(pdfFilePath));
ArrayList<String> highlightedTexts = new ArrayList<>();
int pageNum=0;
for( PDPage pdfpage : pdfDoc.getPages()-60 )
{
pageNum++;
List<PDAnnotation> annotations = pdfpage.getAnnotations();
//first setup text extraction regions
for( int i=0; i<annotations.size(); i++ )
{
PDAnnotation annot = annotations.get(i);
annotNote = annot.getContents(); // Conteudo anotado na nota
annotSubType = annot.getSubtype() // Tipo da nota (Highlight, Text)
// annotTitle = annot.getTitlePopup(); // Autor da nota
if( annotSubType.equals('Highlight') )
{
// extract highlighted text
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
COSArray quadsArray = (COSArray) annot.getCOSObject().getCOSArray(COSName.getPDFName("QuadPoints"));
String str = null;
for(int j=1, k=0; j<=(quadsArray.size()/8); j++) {
Float ULX = quadsArray.get(0+k).floatValue();
Float ULY = quadsArray.get(1+k).floatValue();
Float URX = quadsArray.get(2+k).floatValue();
Float URY = quadsArray.get(3+k).floatValue();
Float LLX = quadsArray.get(4+k).floatValue();
Float LLY = quadsArray.get(5+k).floatValue();
Float LRX = quadsArray.get(6+k).floatValue();
Float LRY = quadsArray.get(7+k).floatValue();
k+=8;
float ulx = ULX - 1; // upper left x.
float uly = ULY; // upper left y.
float width = URX - LLX; // calculated by upperRightX - lowerLeftX.
float height = URY - LLY; // calculated by upperRightY - lowerLeftY.
PDRectangle pageSize = pdfpage.getMediaBox();
uly = pageSize.getHeight() - uly;
Rectangle2D.Float rectangle_2 = new Rectangle2D.Float(ulx, uly, width, height);
stripper.addRegion("highlightedRegion", rectangle_2);
stripper.extractRegions(pdfpage);
String highlightedText = stripper.getTextForRegion("highlightedRegion").replaceAll("[\\n\\t ]", " ");
if(j > 1) {
str = str.concat(highlightedText);
} else {
str = highlightedText;
}
}
highlightedTexts.add(str);
logInfo = str;
logMsg=">>>>>>>>>>Pagina: " + pageNum + ", Sessão: " + annotNote + ", Nota: " + annotNote + "Texto sublinhado: " + logInfo;
logger.info(logMsg);
}
}
}
pdfDoc.close();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/32608083
复制相关文章
相似问题
腾讯云开发者
