Question

我需要使用iText从pdf文件中提取文本。

问题是：一些pdf文件包含2列，当我提取文本时，我得到一个文本文件，其中列被合并为结果（即同一行中两列的文本）

这是代码：

public class pdf
{
    private static String INPUTFILE = "http://www.revuemedecinetropicale.com/TAP_519-522_-_AO_07151GT_Rasoamananjara__ao.pdf" ;
    private static String OUTPUTFILE = "c:/new3.pdf";

    public static void main(String[] args) throws DocumentException, IOException {
        Document document = new Document();
        PdfWriter writer = PdfWriter.getInstance(document, new FileOutputStream(OUTPUTFILE));
        document.open();

        PdfReader reader = new PdfReader(INPUTFILE);
        int n = reader.getNumberOfPages();

        PdfImportedPage page;

        // Go through all pages
        for (int i = 1; i <= n; i++) {
            page = writer.getImportedPage(reader, i);
            Image instance = Image.getInstance(page);
            document.add(instance);
        }

        document.close();

        PdfReader readerN = new PdfReader(OUTPUTFILE);
        for (int i = 1; i <= n; i++) {
            String myLine = PdfTextExtractor.getTextFromPage(readerN,i);
            System.out.println(myLine);

            try {             
                FileWriter fw = new FileWriter("c:/yo.txt",true);
                fw.write(myLine);
                fw.close();
            }catch (IOException ioe) {ioe.printStackTrace(); }
    }
}

你能帮我完成这项任务吗？

Answer 1

我是iText文本提取子系统的作者。您需要做的是开发自己的文本提取策略（如果您查看PdfTextExtractor.getTextFromPage如何实现，您将看到您可以提供可插入的策略。）

你将如何确定列的开始和停止完全取决于你 - 这是一个难题 - PDF没有任何列的概念（哎呀，它甚至没有单词的概念 - 只是将默认策略提供的文本提取放在一起非常棘手）。如果您知道列的高级位置，那么您可以在文本渲染侦听器回调中使用区域过滤器（iText库中有代码用于执行此操作，最新版本的iText In Action书籍提供了详细示例）

如果你需要从任意数据中获取列，你就会有一些算法工作（如果你得到了一些工作，我很乐意看看）。关于如何处理这个问题的一些想法：

使用类似于默认文本提取策略（LocationAware ...）中使用的算法来获取单词列表和X / Y位置（同时确保考虑旋转角度）
对于每个单词，绘制一条运行整个页面高度的虚线。扫描从相同X位置开始的所有其他单词。
扫描时，还要查找与X位置相交的单词（但不要在X位置开始）。这将为您提供页面上列开始/停止Y位置的潜在位置。
一旦有了X和Y列，就可以使用区域过滤方法

另一种可能同样可行的方法是分析绘制操作并查找长水平和垂直线（假设列以类似于表的格式划分）。目前，iText内容解析器没有针对这些操作的回调，但是可以毫无困难地添加它们。

Answer 2

您也可以尝试使用PdfBox，但这一切都可以追溯到PDF中缺少结构 - 它主要是用于显示的结束文件输出格式。

Answer 3

我知道我的答案有点晚了。但我正在使用以下代码从PDF文件中读取某些页面。我没有任何问题，阅读列，没有合并的文本，每列都被打印出来。

    /**
 * Get plain text from a specific page in a pdf file.
 * @param pdfPath
 * @return
 * @throws IOException
 */
public static String getPageContent(String pdfPath, int pageNumber) throws IOException
{
    PdfReader reader = new PdfReader(pdfPath); 

    StringWriter output = new StringWriter();  

        try {
            output.append(PdfTextExtractor.getTextFromPage(reader, pageNumber, new SimpleTextExtractionStrategy()));

        } catch (OutOfMemoryError e) {

            // TODO Auto-generated catch block
            e.printStackTrace();
        }

    return output.toString();
}

如果您正在考虑提取页面的一部分，我们只说1列，那么您需要获取列的尺寸。它仍然有点棘手，但如果您已经知道列的开头文本（以估计宽度和高度的方式），您可能能够解决这个问题。这可以通过使用矩形区域来完成。请参阅下面的代码，如果我的点测量错误，请对不起。在下面的代码中，我尝试获取整个页面维度。

public static String getPageContent(String pdfPath, int pageNumber) throws IOException
{

    PDDocument pdDoc = PDDocument.load(pdfPath);
    PDPage specPage = (PDPage)pdDoc.getDocumentCatalog().getAllPages().get( 0 );

PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition( true );
float width = (specPage.getMediaBox().getHeight())*25.4f;
float height = (specPage.getMediaBox().getWidth())*25.4f;
Rectangle rect = new Rectangle( 0, 0, Math.round(width), Math.round(height));
stripper.addRegion( "class1", rect );
List allPages = pdDoc.getDocumentCatalog().getAllPages();
PDPage firstPage = (PDPage)allPages.get( pageNumber-1 );
stripper.extractRegions( firstPage );

return stripper.getTextForRegion( "class1" );

}

Answer 4

PDFTextStream就是那个！至少我能够识别列值。早些时候，我正在使用iText并陷入定义策略的困境。很难。

这个api通过放置更多空格来分隔列单元格。它是固定的。你可以把逻辑。（这在iText中丢失了）。

import com.snowtide.PDF;
import com.snowtide.pdf.Document;
import com.snowtide.pdf.OutputTarget;

public class PDFText {
    public static void main(String[] args) throws java.io.IOException {
        String pdfFilePath = "xyz.pdf";

        Document pdf = PDF.open(pdfFilePath);
        StringBuilder text = new StringBuilder(1024);
        pdf.pipe(new OutputTarget(text));
        pdf.close();
        System.out.println(text);
   }
}

Question has been asked related to this on stackoverflow!

Answer 5

您要从中提取的文件非常复杂，可用于数据提取。有表，图像，多个，列。您将需要特殊算法来确定读取顺序并处理表格数据。

你想在这里实现什么？您可以使用商业OCR引擎，让它完成所有艰苦的工作，然后从那里处理数据。

Answer 6

除非文件使用结构化内容，否则表格不存在于PDF中的结构中。你了解PDF文件是什么吗？我写了一篇博客文章，解释了http://www.jpedal.org/PDFblog/?p=228

中文本提取的问题

使用iText从pdf文件中提取文本列

6 个答案: