如何确定PDF中多行文本的坐标

Question

我正在使用Apache PdfBox 2.0来解析pdf文件。有了一些固定的字符串，我能够基于以下条件创建系统：

1. 固定文本，作为起点
2. 下一个单元格/文本位置，或者为空
3. 底部区域，用于确定矩形的高度。

使用起点，我正在计算x和y（请参见下图，获取PDF Box中的pdf结构：

使用“下一个”文本块（这是另一个固定值，例如字段或表头），我使用以下公式确定所需区域的宽度：

width = second.x - first.x 

或类似的东西。因此，例如，在一个表中，预先知道标题名称，就很容易检测到列。我正在尝试做的事情（到目前为止还没有以正确的方式做）是确定pdf表中的行。该表有时在某些列中包含缺失值，在某些行/列中还包含多行值。我已将“系统”（第一，下一个，下一个）扩展为可处理表行，这在我对表进行“规范化”（例如，没有空格和/或至少没有多行值）时非常有用。但这不适用于现实世界的数据，因为到目前为止，我还找不到确定多行值的位置（x，y，宽度，高度）的方法。 PDF Box甚至可以做到吗？有人建议先将pdf转换为html，然后再解析html。这是可行的选择吗？有没有人使用this库？接下来，我将尝试使用它。

Answer 1

就像我在之前的评论中所说，我已经找到了部分解决方案。这是基于两件事：

1. 首先，我假设每个表的一列仅包含不超过1行的不同值。
2. 接下来，由于我在文档中也有一些固定文本，因此我确定了这些文本坐标，并将它们用作包含要提取的文本的区域的定界符。例如，“当前，下一个，下一个”系统（如我所说）可以包含例如：“列名A”，“列名B”，“固定文本C”（或同一表的第二行-已确定）基于唯一的单行值）。

这不是完美的，并且如果固定文本在文档中可能出现多次，则可能会出现问题。当然，可以通过使用垂直坐标等对正确的出现进行过滤来进行改进，但是目前，我将关闭该问题，因为似乎该问题没有标准答案，并且目前还没有开源库能够从pdf提取表格数据。