Question

我一直在玩PdfBox和PDFTextStripperByArea方法。

如果文字是粗体或斜体，我能够提取信息，但我无法获得下划线信息。

据我所知，在PDF中，下划线是通过绘制线条来完成的。所以从理论上讲，我应该能够在文本的某处获得某些关于线条的信息。根据这些信息，我可以找出是否有下划线或表格。

到目前为止，这是我的代码：

List<TextPosition> textPos = charactersByArticle.get(index);

for (TextPosition t : textPos)
{               
    if (t.getFont().getFontDescriptor() != null)
    {                           
        if (t.getFont().getFontDescriptor().getFontWeight() > BOLD_WEIGHT ||
            t.getFont().getFontDescriptor().isForceBold())
        {
            isBold = true;
        }

        if (t.getFont().getFontDescriptor().isItalic())
        {
            isItalic = true;
        }
    }
}

我试图在 PDFStreamEngine 类的 processEncodedText 方法中处理PDGraphicsState对象，但没有找到行的信息。

可以从中检索此信息的任何建议吗？

Answer 1

这是我到目前为止所发现的：

PDFBox使用资源文件将PDF操作符/指令绑定到某些类，然后处理这些信息。

如果我们看一下 PDFTextStripper.properties 资源文件：

pdfbox \ src \ main \ resources \ org \ apache \ pdfbox \ resources \

我们可以看到，例如BT运营商必然会被绑定 org.apache.pdfbox.util.operator.BeginText 类等等。

下的 PDFTextStripper

pdfbox \ src \ main \ java \ org \ apache \ pdfbox \ util \

将此考虑在内并利用此类的PDF处理。

但忽略所有图形对象，因此没有下划线或表格结构的信息！

现在，如果我们看一下 PageDrawer.properties 资源文件，我们可以看到这个几乎所有可用的运算符。 PageDrawer 类在

下使用了哪个

PDFBOX \ SRC \主\的java \组织\阿帕奇\ PDFBOX \ PDF查看器\

现在，“技巧”是找出哪些图形运算符代表下划线和表格，并将它们与 PDFTextStripper 结合使用。

现在这意味着要阅读PDF文件规范，这是目前的工作方式。

如果有人知道哪些操作员负责绘制下划线和表格行的操作，请告诉我。

Answer 2

您可以使用Itext生成pdf报告。

通过使用itext，您可以轻松地放置这些行。

尝试下面的内容。

document.add（new LineSeparator（0.5f，50，null，0,198））;

以上代码用于在pdf报告中生成行。并根据您的选择设置尺寸。

希望这会对你有所帮助。

Answer 3

据我所知，pdfbox没有选项可以读取下划线。也许你可以为此目的尝试itextpdf。

Answer 4

正如您所提到的 - PDFBox使用资源文件，将PDF操作员/指令绑定到将处理信息的访问者。

您最好将PDFBox的现有访问者复制到您自己的源文件夹中，然后从那里添加/扩展实现。

我很久以前的PostScript体验让我想起了“移动到”。和＆＃39; lineto＆＃39;运营商。由于PDF大致是基于PS的，因此您将寻找类似的东西。

http://learnpostscript.wordpress.com/category/lineto/

PDF格式是一个b * tch - 它的HTML，做错了。它表示图形实现，而不是语义。即使重建句子也很困难 - 单词或甚至单个字符的位置，“空间”和“空间”。或者＆＃39;换行符＆＃39;必须通过算法重建。简而言之，Adobe是一个*漏洞。而读者是一种非符合人体工程学，虫蛀，不安全，臃肿的猪。

但是，您可以完成您的要求 - 如果您愿意将12个小时以上的工作放入其中。除了按位置检测外，通常会在文本后立即在PDF中发出下划线..所以您可以按PDF文档顺序锁定检测，而不仅仅是页面位置。

另外，尝试使用带下划线的文本构建一个简单的两行PDF。然后看看你能做些什么，然后解析它！下划线应该像狗的香蕉一样突出，一旦你能够发现它，你就会顺利进行。

PDFBox不是很好的可扩展性，它主要只是一大堆算法。出于这个原因，只需复制PDFTextStripper源（并可能有PageDrawer作为参考）和原型。

希望这有帮助！

Answer 5

根据api getfont()返回字体大小。

您可以使用getStyle()方法，它会返回STYLE_UNDERLINE下划线字体。因此，您可以检索下划线样式。

PDF查明文本是否带下划线或表格单元格

5 个答案: