如何在java

Question

有没有办法检查从pdf文档中提取的字符串是否包含上标或下标

例如：

Answer 1

是的。

一种方法是获取所需的所有Unicode字符列表，然后以编程方式搜索String。

例如，km²包含上标，Unicode值为u00B2

请按以下方式检查String：

if(yourString.contains("\u00B2")){
            System.out.println("yay");
        }

Answer 2

1纯Un​​icode

以下内容将用空字符串替换不在脚本上标/下标中的所有Unicode字符，只留下超级/下标。

问题是存在未归类的上标和下标，如²³。查看维基百科。必须列出这些。

    System.out.println(s.replaceAll("(?U)[^²³\\p{InSuperscripts_and_Subscripts}]", ""));

boolean isSuperOrSubscript(int codePoint) {
    return Character.getName(codePoint).contains("SUPERSCRIPT")
        || Character.getName(codePoint).contains("SUBSCRIPT")
        || new String(new int[] {codePoint}, 0, 1)
                .matches("(?U)\\p{InSuperscripts_and_Subscripts}");
}

但是上面的内容不会找到ᵈ。

2 PDF样式文字

PDF是＆＃34;类型设置＆＃34;原始风格的文字。因为这样的上标可能是较小的文字移动了一点点。原来的<sup>...</sup>（比方说）不再可用。也许人类可以通过其字体资源识别PDF中的较小字体。

在这种情况下，您可以遍历文本元素并查看定位。例如，使用 itext 库。没有乐趣。