Question

我的问题是：

如何从PDF文件中提取文本，该文件按列分割，以此方式将结果分隔为此列？

背景：我正在开展一个关于文本分析（特别是科学文本）的项目。这些文本有时以多个列布局发布，每列给出一个单独的页码。要通过有层次的页面编号来对提取的文本进行排序，按列提取文本会很有用。

我使用 pdfBox 并尝试/搜索了几件事：

我尝试了getThreadBeads()类的PDPage方法 - ＆gt;结果：0大小的列表
我尝试使用getCharactersByArticle()方法抓取文字 - ＆gt;文字未分列于（我尝试使用已发布文本的pdf文件以及基于自创的.doc文件，每个文件都有多列布局）

问题是pdfBox似乎自动按列分割文本：如果我将setSortByPosition()设置为PDFTextStripper，则页面中的所有符号都会在一行中设置，而不会识别单独的列。但是，如果我将setSortByPosition()设置为false，则剥离器正在进行此分割。

为此我查看了pdfBox源代码：关键方法是PDFTextStripper的writePage()方法。这里显然计算了空间（在大多数pdf中没有给出）和换行符。但我无法找到Stripper如何计算柱断裂。

再次提出问题：

PDFTextStripper如何计算列？
pdfBox API中是否有方法来捕获/按列提取文本？
这可以与其他pdf-api一起使用吗？

提前致谢

Answer 1

如果我将PDFTextStripper的setSortByPosition（）设置为true，则页面的所有符号都会在一行中设置，而不会识别单独的列。但是如果我在false上设置setSortByPosition（），那么剥离器正在进行这种划分。

[...] PDFTextStripper如何计算列中断？

不是。

通过将SortByPosition设置为false，您告诉PDFBox 不尝试对页面内容流中的文本片段进行排序，而是按照它们出现的顺序接受它们。

在您的文档中，文本片段似乎是按阅读顺序绘制的，即逐列。对于所有文档都不是这样，并且为了处理其他文档，PDFBox提供了从左到右，从上到下排序文本片段的选项。

在文档中激活该选项（将SortByPosition设置为true）会返回不考虑列的文本。

pdfBox API中是否有方法来捕获/按列提取文本？

PDFBox不会分析页面内容以识别列。但是，如果进行分析，如果将列矩形作为规则提供，则可以逐列提取文本。

Answer 2

结合@mkl的答案，我使用PDFbox完成了按列的文本提取。

我发现两列边界的方法一直在不断尝试。 =：

    StringBuilder pdfText = new StringBuilder();
    PDFTextStripperByArea stripper = new PDFTextStripperByArea();

    stripper.setSortByPosition(true);

    Rectangle rectLeft = new Rectangle(10, 60, 320, 820);

    Rectangle rectRight = new Rectangle(330, 60, 320, 820);

    stripper.addRegion("leftColumn", rectLeft);

    stripper.addRegion("rightColumn", rectRight);

    PDPageTree allPages = document.getDocumentCatalog().getPages();
    int pageNumber = document.getNumberOfPages();


    String leftText = "";
    String rightText = "";

    for (int i = 0; i < pageNumber; i++) {

        PDPage page = (PDPage) allPages.get(i);

        stripper.extractRegions(page);
        leftText = stripper.getTextForRegion("leftColumn");
        rightText = stripper.getTextForRegion("rightColumn");

        pdfText.append(leftText);
        pdfText.append(rightText);


    }

按列提取PDF文本

2 个答案: