Question

我正在使用Apache pdfbox来提取文本。我可以从pdf中提取文本，但我不知道如何知道这个词是否是粗体??? （代码建议会很好!!!）以下是从pdf中提取纯文本的代码，该代码工作正常。

PDDocument document = PDDocument
    .load("/home/lipu/workspace/MRCPTester/test.pdf");
document.getClass();
if (document.isEncrypted()) {
    try {
        document.decrypt("");
    } catch (InvalidPasswordException e) {
        System.err.println("Error: Document is encrypted with a password.");
        System.exit(1);
    }
}

// PDFTextStripperByArea stripper = new PDFTextStripperByArea();
// stripper.setSortByPosition(true);
PDFTextStripper stripper = new PDFTextStripper();
stripper.setStartPage(1);
stripper.setEndPage(2);
stripper.setSortByPosition(true);
String st = stripper.getText(document);

Answer 1

PDFTextStripper的结果是纯文本。因此，提取后，为时已晚。但是你可以覆盖它的某些方法，只允许通过根据你的意愿格式化的文本。

如果PDFTextStripper你必须覆盖

protected void processTextPosition( TextPosition text )

在您的覆盖中，您可以检查相关文字是否符合您的要求（TextPosition包含有关相关文字的大量信息，而不仅仅包含文字本身），如果有，请转发TextPosition text到super实施。

但主要问题是识别哪个文字是粗体。

粗体的标准可能是字体名称中的粗体一词，例如使用text.getFont()方法

getBaseFont()

标准也可以来自字体描述符 - 使用String postscriptName = text.getFont().getBaseFont();方法获取字体的字体描述符，字体描述符具有可选的字体权重值

getFontDescriptor

该值定义为

（可选; PDF 1.5;应用于标记PDF文档中的Type 3字体）完全限定字体名称或字体说明符的权重（厚度）组件。可能的值应为100,200,300,400,500,600,700,800或900，其中每个数字表示的重量至少与其前身一样暗。值400表示正常体重; 700表示粗体。

这些值的具体解释因字体而异。

一种字体的示例300可能看起来与另一种字体中的500最相似。

（表122，第9.8.1节，ISO 32000-1）

可能需要检查粗体 -ism的其他提示，例如线宽

float fontWeight = text.getFont().getFontDescriptor().getFontWeight();

当渲染模式也绘制轮廓时：

double lineWidth = getGraphicsState().getLineWidth();

您可能需要尝试使用手头的文件，这些标准就足够了。

如何使用pdfbox从pdf中提取粗体文本？

1 个答案: