Question

我正在构建一个应用程序，我需要解析由系统生成的pdf以及我需要填充我的应用程序数据库列的解析信息，但不幸的是我正在处理的pdf结构有一个名为comments的列它既有文字又有图像。我找到了从pdf中分别阅读图像和文本的方法，但我的最终目的是在解析的内容中添加一个类似于{2}的占位符，以及每当我的解析器（应用程序代码）解析此行时系统将在该区域中呈现适当的图像，该图像也存储在我的应用程序内的单独表中。请帮我解决这个问题。

提前致谢。

Answer 1

正如评论中已经提到的，解决方案是基本上使用自定义文本提取策略在图像坐标处插入“[2]”文本块。

代码

你可以，例如像这样扩展LocationTextExtractionStrategy：

class SimpleMixedExtractionStrategy extends LocationTextExtractionStrategy
{
    SimpleMixedExtractionStrategy(File outputPath, String name)
    {
        this.outputPath = outputPath;
        this.name = name;
    }

    @Override
    public void renderImage(final ImageRenderInfo renderInfo)
    {
        try
        {
            PdfImageObject image = renderInfo.getImage();
            if (image == null) return;
            int number = counter++;
            final String filename = String.format("%s-%s.%s", name, number, image.getFileType());
            Files.write(new File(outputPath, filename).toPath(), image.getImageAsBytes());

            LineSegment segment = UNIT_LINE.transformBy(renderInfo.getImageCTM());
            TextChunk location = new TextChunk("[" + filename + "]", segment.getStartPoint(), segment.getEndPoint(), 0f);

            Field field = LocationTextExtractionStrategy.class.getDeclaredField("locationalResult");
            field.setAccessible(true);
            List<TextChunk> locationalResult = (List<TextChunk>) field.get(this);
            locationalResult.add(location);
        }
        catch (IOException | NoSuchFieldException | SecurityException | IllegalArgumentException | IllegalAccessException ioe)
        {
            ioe.printStackTrace();
        }
    }

    final File outputPath;
    final String name; 
    int counter = 0;

    final static LineSegment UNIT_LINE = new LineSegment(new Vector(0, 0, 1) , new Vector(1, 0, 1));
}

（不幸的是，对于这类工作，LocationTextExtractionStrategy的某些成员是私有的。因此，我使用了一些Java反射。或者你可以复制整个类并相应地更改你的副本。）

实施例

使用该策略，您可以提取如下所示的混合内容：

@Test
public void testSimpleMixedExtraction() throws IOException
{
    InputStream resourceStream = getClass().getResourceAsStream("book-of-vaadin-page14.pdf");
    try
    {
        PdfReader reader = new PdfReader(resourceStream);
        PdfReaderContentParser parser = new PdfReaderContentParser(reader);
        SimpleMixedExtractionStrategy listener = new SimpleMixedExtractionStrategy(OUTPUT_PATH, "book-of-vaadin-page14");
        parser.processContent(1, listener);
        Files.write(new File(OUTPUT_PATH, "book-of-vaadin-page14.txt").toPath(), listener.getResultantText().getBytes());
    }
    finally
    {
        if (resourceStream != null)
            resourceStream.close();
    }
}

E.g。对于我的测试文件（包含Book of Vaadin的第14页）：

page 14 of the Book of Vaadin

你得到这个文本

Getting Started with Vaadin
• A version of Book of Vaadin that you can browse in the Eclipse Help system.
You can install the plugin as follows:
1. Start Eclipse.
2. Select Help   Software Updates....
3. Select the Available Software tab.
4. Add the Vaadin plugin update site by clicking Add Site....
[book-of-vaadin-page14-0.png]
Enter the URL of the Vaadin Update Site: http://vaadin.com/eclipse and click OK. The
Vaadin site should now appear in the Software Updates window.
5. Select all the Vaadin plugins in the tree.
[book-of-vaadin-page14-1.png]
Finally, click Install.
Detailed and up-to-date installation instructions for the Eclipse plugin can be found at http://vaad-
in.com/eclipse.
Updating the Vaadin Plugin
If you have automatic updates enabled in Eclipse (see Window   Preferences   Install/Update
  Automatic Updates), the Vaadin plugin will be updated automatically along with other plugins.
Otherwise, you can update the Vaadin plugin (there are actually multiple plugins) manually as
follows:
1. Select Help   Software Updates..., the Software Updates and Add-ons window will
open.
2. Select the Installed Software tab.
14 Vaadin Plugin for Eclipse

和两张图片book-of-vaadin-page14-0.png

和book-of-vaadin-page14-1.png

OUTPUT_PATH中的

。

改进

正如评论中已经提到的，这个解决方案适用于图像上方和/或下方但左右两边都没有文字的简单情况。

如果左侧和/或右侧也有文字，则上述代码会将LineSegment segment计算为图像的底线，但文本策略通常可以使用文本的基线位于底线之上。

但是在这种情况下，首先必须决定在哪一行上哪一个人想要文本中的标记无论如何。在决定之后，人们可以调整上面的来源。

提取段落中存在的图像

1 个答案:

代码

实施例

改进