使用PDF中的日期提取特定关键字

Question

我目前正在尝试弄清楚如何扫描一些PDF文件并提取特定数据。主要是“截止日期：01/01/18”，“考试9/15/18”，“作业06-12-19”等。我是编程新手，想知道是否有人能指出我正确的方向。我看过iTextSharp，这有什么用吗？我想也许这个项目可能超出了我的能力范围，所以任何帮助/指针都会非常感激！

Answer 1

查看API docs，特别是RegexBasedLocationExtractionStrategy。

此类可以在PDF文档中搜索正则表达式，并返回其矩形和匹配的文本。

要使用此功能，您可以从pdfSweep（用于编辑的iText的附加组件）测试中获取灵感。

// get document
PdfDocument doc = new PdfDocument(new PdfReader(new File("input_document.pdf")));
int pageNr = 1;
PdfPage page = doc.getPage(pageNr);

// create parser
PdfDocumentContentParser parser = new PdfDocumentContentParser(doc);

// process document
RegexBasedLocationExtractionStrategy strategy = new RegexBasedLocationExtractionStrategy("date [0-9]+/[0-9]+/[0-9]+");
parser.processContent(pageNr, strategy);
for (IPdfTextLocation rect : strategy.getResultantLocations()) {
    if (rect != null)
        System.out.println(rect.getText());
}