Question

我是pdfbox的新手，我想提取一个与某些特定单词匹配的段落，我能够将整个pdf提取到文本（记事本），但我不知道如何将特定段落提取到我的java程序中。任何人都可以帮助我至少一些教程或例子。非常感谢你

Answer 1

PDF文档中的文字绝对定位。因此，不是单词，行和段落，而是只有绝对定位的字符。

假设你有一个段落：

Neque porro quisquam est qui dolorem ipsum quia dolor sit amet，consectetur，adipisci velit

粗略地说，在PDF文件中，它将在某个位置表示为字符N，e表示正确，q，u，{{ 1}}更多在右边，等等。

PDFBox尝试猜测字符如何制作单词，行和段落。因此，它会在大致相同的垂直位置寻找很多字符，对于彼此接近且类似的字符组，尝试找到你需要的东西。它通过从整个页面中提取文本然后逐个字符地处理它来创建文本（它也可以尝试从页面内的一个矩形区域中提取文本）来实现。查看相应的课程PDFTextStripper（或PDFTextStripperByArea）。有关用法，请参阅PDFBox源中的e。

这意味着您无法使用PDFBox轻松提取段落。这也意味着PDFBox在提取文本时有时会错过（有很多非常不同的PDF文档）。

您可以做的是从整个页面中提取文本，然后尝试找到您的段落搜索该文本。 Regular expressions通常非常适合此类任务（通过Pattern和Matcher类在Java中提供，或String类上的便捷方法）。

Answer 2

public static void main(String[] args) throws InvalidPasswordException, IOException {
    File file = new File("File Path");
    PDDocument document = PDDocument.load(file);        
    PDFTextStripper pdfStripper = new PDFTextStripper();
    pdfStripper.setParagraphStart("/t");
    pdfStripper.setSortByPosition(true);


    for (String line: pdfStripper.getText(document).split(pdfStripper.getParagraphStart()))
            {
                System.out.println(line);
                System.out.println("********************************************************************");
            }
}

伙计们请尝试以上代码。这对于PDFBox-2.0.8 Jar

肯定有效

Answer 3

我使用以下方法检测到了段落的开头。逐行阅读页面。对于每一行： -

找到'。'的最后一个索引。（期间）在行。
将此索引与输入行的长度进行比较。
如果索引较小，则表示这不是上一段的结尾。
如果是，则表示前一段落已结束，下一行将是新段落的开头。

希望这有帮助。

Answer 4

提取文本后，可以通过编程方式构建段落，考虑以下几点：

所有以小写字母开头的行都应与前一行连接。但是以大写字母开头的行也可能需要加入前一行。例如：用于引用的表达。
。，？，！，“带有这些字符的结尾行可能是段落的结尾。并非总是如此。
如果以编程方式确定了段落，则对其进行测试以获得偶数引号。这可能是简单的双引号或Unicode双开关引用。

Answer 5

Try this:

private static String getParagraphs(String filePath, int linecount) throws IOException {
    ParagraphDetector paragraphDetector = new ParagraphDetector();
    StringBuilder extracted = new StringBuilder();
    LineIterator it = IOUtils.lineIterator(new BufferedReader(new FileReader(filePath)));
    int i = 0;
    String line;
        for (int lineNumber = 0; it.hasNext(); lineNumber++) {
            line = (String) it.next();
            if (lineNumber == linecount) {
                for (int j = 0; it.hasNext(); j++) {
                    extracted.append((String) it.next());
                }
            }
        }
        return paragraphDetector.SentenceSplitter(extracted.toString());
    }

Answer 6

您可以首先使用pdfbox getText函数获取文本。每行以“ \ n”结尾；因此，您无法使用“ \ n”对段落进行简单分割。如果一行满足以下条件：

line.length() > 2 && (int)line.charAt(line.length()-2) == 32

然后此行是其段落的最后一行。这里32是unicode值。

PDFBox提取段落

6 个答案: