Question

我正在使用PDF Clown的TextInfoExtractionSample将PDF表格提取到Excel中，除了合并单元格之外我能够做到这一点。在下面的代码中，对于object，＆＃34; content＆＃34;我将扫描的内容视为文本，XObject，ContainerObject，但没有任何边框。任何人都知道哪个对象代表PDF表格中的边框或如何检测文本是否是表格的标题？

   private void Extract(ContentScanner level, PrimitiveComposer composer)
   {
      if(level == null)
        return;
      while(level.MoveNext())
      {
        ContentObject content = level.Current;
      }
    }

Answer 1

我正在使用PDF Clown＆＃39; TextInfoExtractionSample ...

在下面的代码中，对于object，＆＃34; content＆＃34;我将扫描的内容看作文本，XObject，ContainerObject，但没有任何边框。
while(level.MoveNext())
{
    ContentObject content = level.Current;
}

A）访问所有内容

在循环代码中，您从原始示例

中删除了非常重要的块

    if(content is XObject)
    {
        // Scan the external level!
        Extract(((XObject)content).GetScanner(level), composer);
    }

和

    if(content is ContainerObject)
    {
        // Scan the inner level!
        Extract(level.ChildLevel, composer);
    }

这些块使示例 recurse 成为复杂的对象（你提到的 XObject，ContainerObject ），而这些对象又包含自己的简单内容。

B）检查所有内容

任何人都知道哪个对象代表PDF表格中的边框

不幸的是，PDF内容中没有像 border属性这样的内容。相反，边框是独立的对象，通常是矢量图形，线条或非常细的矩形。

因此，在扫描页面内容时（递归地，如 A 所示），您将不得不寻找包含

的Path个实例（名称空间org.pdfclown.documents.contents.objects）

moveTo m ， lineTo l ， stroke S 操作或
矩形重新和填充 f 操作。

（This answer可能有帮助）

当您遇到这些行时，您必须解释它们。这些线可能是边框，但它们也可以用作下划线，页面装饰......

如果PDF恰好被标记，那么事情可能会更容易，因为你必须解释得更少。相反，您可以读取标记信息，该信息可以告诉您单元格的开始和结束位置，因此您无需解释图形线条。不幸的是，标记的PDF文件仍然没有。

或者如何检测文本是否是表格的标题？

如上所述，除非你碰巧检查标记的PDF，否则没有什么能立刻告诉你某些文本是表头。你必须再次解释。那个文字在你决定组成一张桌子之外吗？它在里面吗？或者只是在里面？它是用特定字体绘制的吗？还是更大？不同的颜色？等

使用PDF Clown检测PDF表格中的标题和边框

1 个答案:

A）访问所有内容

B）检查所有内容