PDFBox :在提取文本时维护PDF结构
PDFBox :在提取文本时维护PDF结构
提问于 2017-08-23 13:16:20
我正在尝试从PDF中提取文本，PDF中充满了表格。在某些情况下，列是空的。当我从PDF中提取文本时，emptys列会被跳过并替换为空格，因此，我的正则表达式无法确定在这个位置有一个没有信息的列。
更好地理解图像：
我们可以看到，在提取的文本中，列并不受尊重。
从PDF中提取文本的代码示例：
PDFTextStripper reader = new PDFTextStripper();
reader.setSortByPosition(true);
reader.setStartPage(page);
reader.setEndPage(page);
String st = reader.getText(document);
List<String> lines = Arrays.asList(st.split(System.getProperty("line.separator")));从原始PDF中提取文本时，如何保持其完整的结构？
非常感谢。
回答 1
Stack Overflow用户
回答已采纳
发布于 2017-08-23 14:27:12
(这最初是https://stackoverflow.com/a/28370692/1729265，OP删除了它，包括所有答案。由于时间的关系，答案中的代码仍然是基于PDFBox 1.8.x的，因此可能需要进行一些更改，以使其在PDFBox 2.0.x中运行。)
在评论中，OP显示出对扩展PDFBox PDFTextStripper以返回文本行的解决方案感兴趣，这些文本行试图反映PDF文件布局，这可能有助于解决手头的问题。
这方面的概念证明是这样的：
public class LayoutTextStripper extends PDFTextStripper
{
public LayoutTextStripper() throws IOException
{
super();
}
@Override
protected void startPage(PDPage page) throws IOException
{
super.startPage(page);
cropBox = page.findCropBox();
pageLeft = cropBox.getLowerLeftX();
beginLine();
}
@Override
protected void writeString(String text, List<TextPosition> textPositions) throws IOException
{
float recentEnd = 0;
for (TextPosition textPosition: textPositions)
{
String textHere = textPosition.getCharacter();
if (textHere.trim().length() == 0)
continue;
float start = textPosition.getTextPos().getXPosition();
boolean spacePresent = endsWithWS | textHere.startsWith(" ");
if (needsWS | spacePresent | Math.abs(start - recentEnd) > 1)
{
int spacesToInsert = insertSpaces(chars, start, needsWS & !spacePresent);
for (; spacesToInsert > 0; spacesToInsert--)
{
writeString(" ");
chars++;
}
}
writeString(textHere);
chars += textHere.length();
needsWS = false;
endsWithWS = textHere.endsWith(" ");
try
{
recentEnd = getEndX(textPosition);
}
catch (IllegalArgumentException | IllegalAccessException | NoSuchFieldException | SecurityException e)
{
throw new IOException("Failure retrieving endX of TextPosition", e);
}
}
}
@Override
protected void writeLineSeparator() throws IOException
{
super.writeLineSeparator();
beginLine();
}
@Override
protected void writeWordSeparator() throws IOException
{
needsWS = true;
}
void beginLine()
{
endsWithWS = true;
needsWS = false;
chars = 0;
}
int insertSpaces(int charsInLineAlready, float chunkStart, boolean spaceRequired)
{
int indexNow = charsInLineAlready;
int indexToBe = (int)((chunkStart - pageLeft) / fixedCharWidth);
int spacesToInsert = indexToBe - indexNow;
if (spacesToInsert < 1 && spaceRequired)
spacesToInsert = 1;
return spacesToInsert;
}
float getEndX(TextPosition textPosition) throws IllegalArgumentException, IllegalAccessException, NoSuchFieldException, SecurityException
{
Field field = textPosition.getClass().getDeclaredField("endX");
field.setAccessible(true);
return field.getFloat(textPosition);
}
public float fixedCharWidth = 3;
boolean endsWithWS = true;
boolean needsWS = false;
int chars = 0;
PDRectangle cropBox = null;
float pageLeft = 0;
}它是这样使用的：
PDDocument document = PDDocument.load(PDF);
LayoutTextStripper stripper = new LayoutTextStripper();
stripper.setSortByPosition(true);
stripper.fixedCharWidth = charWidth; // e.g. 5
String text = stripper.getText(document);fixedCharWidth是假定的字符宽度。根据所述PDF中的文字，不同的值可能更合适。在我的样本文档中，3.6的值是值得关注的。
它实质上模拟了iText在this answer中的类似解决方案。但是，结果有所不同，因为iText文本提取转发文本块，PDFBox文本提取转发单个字符。
请注意，这只是一个概念的证明.它特别没有考虑到任何旋转。
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/45840842
复制相关文章
相似问题
腾讯云开发者
