Question

我正在尝试使用pdfbox库根据pdf文件中的单词的坐标/位置提取文本。

我一直遵循的步骤：

我使用＆＃34; PrintTextLocations＆＃34;获得职位的课程。我制造了一个通过构建一个特定区域来提取文本的试验 Rectangle2D.Double对象。但是，如果我尝试将步骤1和步骤1联系起来第2步，我找不到任何相似性，如x和y坐标，宽度和高度。我的疑问是，我如何通过吟唱两种方式来提取文本这样的方式：
获取角色的位置   用它们构建一个区域（矩形）   从该区域提取文本。   例如：CAT。是我想从pdf中提取的词。

- String [441.38,411.02002 fs = 8.0 xscale = 8.0 height = 5.544    space = 2.2240002 width = 5.776001] C
  字符串[447.156,411.02002 fs = 8.0    xscale = 8.0 height = 5.544 space = 2.2240002 width = 5.776001] A
   字符串[452.932,411.02002 fs = 8.0 xscale = 8.0 height = 5.544    space = 2.2240002 width = 4.8880005] T
字符串[457.82,411.02002 fs = 8.0    xscale = 8.0 height = 5.544 space = 2.2240002 width = 2.223999] 。

我通过构建具有以下尺寸的区域来提取相同的单词。 Rectangle2D.Double head1ColTwo = new Rectangle2D.Double( 300, 380,160, 35 ); 这是我建立的矩形区域并成功获得了单词＆＃34; CAT。＆＃34; 我遵循这种方式的原因是，我的数据库中有一些字段，只有人可以读取并获取这些字段的值。我想自动化这个过程。这里的主要问题是，字段名称不会出现在pdf文件中。如果这是根据我上面提到的要求，请建议我，如果没有，建议替代。

Answer 1

您的问题是由PDFBox怪癖引起的，在其文本提取代码中，它使用不同坐标系中的坐标。例如。在PrintTextLocations方法writeString中，输出生成如下：

for (TextPosition text : textPositions)
{
    System.out.println( "String[" + text.getXDirAdj() + "," +
            text.getYDirAdj() + " fs=" + text.getFontSize() + " xscale=" +
            text.getXScale() + " height=" + text.getHeightDir() + " space=" +
            text.getWidthOfSpace() + " width=" +
            text.getWidthDirAdj() + "]" + text.getUnicode() );
}

并且在PDFTextStripperByArea类中（我假设您使用此类进行基于坐标和Rectangle2D.Double 的提取），它会像这样过滤：

if( rect.contains( text.getX(), text.getY() ) )

getX和getY返回的坐标以及getXDirAdj和getYDirAdj返回的坐标可能会有很大差异。两者都基于实际的默认用户空间坐标，但

getX和getY是使用PDF页面旋转条目和
派生的
getXDirAdj和getYDirAdj是使用从当前转换矩阵派生的轮播派生的。

因此，我建议阅读TextPosition使用的PDFTextStripperByArea过滤
所用的相同坐标

使用基于坐标和Rectangle2D.Double的pdfbox库进行文本提取

1 个答案: