我正在使用iText从特定位置的pdf文件中提取一些文本。 为了做到这一点,我使用的是LocationTextExtractionStrategy:
public static void main(String[] args) throws Exception {
PdfReader pdfReader = new PdfReader("location_text_extraction_test.pdf");
Rectangle rectangle = new Rectangle(38, 0, 516, 516);
RenderFilter[] filter = {new RegionTextRenderFilter(rectangle)};
TextExtractionStrategy strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), filter);
String text = PdfTextExtractor.getTextFromPage(pdfReader, 1, strategy);
System.out.println(text);
pdfReader.close();
}
问题是提取的文本顺序错误:
应该提取的内容为:
Part Description Quantity Unit Price Total For Line Extended Price Landing Fee 1.00 407.84 $ USD 407.84 407.84 $
提取为:
Total For Line Extended Price Part Description Quantity Unit Price 1.00 407.84 $ USD 407.84 407.84 $ Landing Fee
请注意,当我在Acrobat中打开pdf时,使用Ctrl + A选择所有文本,复制然后将其粘贴到文本编辑器中,所有内容都按正确顺序排列。
有没有办法解决问题? 非常感谢;)
答案 0 :(得分:4)
原因很简单就是" Total For Line Extended Price"是 y 坐标为507.37而"部分描述数量单位价格"位于 y 坐标506.42。
LocationTextExtractionStrategy
仅通过考虑y坐标的整数部分来允许小变化,但即使是整数部分也不同。因此,它假定前面的标题在后面的标题之上,并相应地输出结果。
如果出现此类变化,通常首先尝试SimpleTextExtractionStrategy
。不幸的是,这在这里没有用,因为前一个文本实际上是在后一个文本之前绘制的。因此,这种策略也会以错误的顺序返回标题。
在这种情况下,您需要一种不同的策略,例如:来自HorizontalTextExtractionStrategy的策略HorizontalTextExtractionStrategy2或this answer(取决于您的iText版本,前者为iText 5.5.8,后者为当前开发代码5.5.9-SNAPSHOT) 。使用它你会得到
Part Description Quantity Unit Price Total For Line Extended Price
Landing Fee 1.00 407.84 $ USD 407.84 407.84 $
Parking 1.00 101.96$ USD 101.96 101.96$
??? 1.00 51.65$ USD 51.65 51.65$
Pax Baggage Handling Fee 5.00 8.49$ USD 42.45 42.45 $
Pax Airport Tax 5.00 26.36 $ USD 131.80 131.80$
GA terminal for crew on Arr ferry fit 1.00 125.00$ USD 125.00 125.00$
VIP lounge for Pax on Dep. 5.00 124.00$ USD 620.00 620.00 $
GA terminal for crew on dep. 1.00 125.00$ USD 125.00 125.00$
VIP lounge for Guest on Dep. 1.00 38.00$ USD 38.00 38.00 $
Crew transfer on arr 1.00 70.00 $ USD 70.00 70.00 $
Crew transfer on dep 1.00 70.00 $ USD 70.00 70.00 $
Lavatory Service 1.00 75.00 $ USD 75.00 75.00 $
Catering-ISS 1.00 1,324.28 $ USD 1,324.28 1,324.28 $
Ground Handling 1.00 190.00$ USD 190.00 190.00$
Pax Handling 1.00 190.00$ USD 190.00 190.00$
Push Back 1.00 83.00 $ USD 83.00 83.00 $
Towing 1.00 110.00$ USD 110.00 110.00$
(使用TextExtraction
测试方法的结果testLocation_text_extraction_test
)
您可以尝试调整水平策略(例如,通过分析列分隔的水平间隙)或尝试使用组合方法,使用同一文档的多个策略的输出。