PDFBox：提取文本时保持 PDF 结构

Question

我正在尝试从充满表格的 PDF 中提取文本。在某些情况下，一列是空的。当我从 PDF 中提取文本时，空列被跳过并替换为空格，因此，我的正则表达式无法确定此处有一个没有信息的列。

为了更好的理解图片：

我们可以看到提取的文本中没有考虑列

我从 PDF 中提取文本的代码示例：

PDFTextStripper reader = new PDFTextStripper();
            reader.setSortByPosition(true);
            reader.setStartPage(page);
            reader.setEndPage(page);
            String st = reader.getText(document);
            List<String> lines = Arrays.asList(st.split(System.getProperty("line.separator")));

从 PDF 中提取文本时如何保持原始 PDF 的完整结构？

非常感谢。

Answer 1

（这最初是 the answer (dated Feb 6 '15) to another question，OP 删除了所有答案。由于年代久远，答案中的代码仍然基于 PDFBox 1。8.x，因此可能需要进行一些更改才能使它运行与 PDFBox 2.0.x.)

在评论中，OP 表现出对 将 PDFBox PDFTextStripper 扩展到 return 试图反映 PDF 文件布局的文本行 的解决方案的兴趣可能会对手头的问题有所帮助。

对此的概念验证是这样 class:

public class LayoutTextStripper extends PDFTextStripper
{
    public LayoutTextStripper() throws IOException
    {
        super();
    }

    @Override
    protected void startPage(PDPage page) throws IOException
    {
        super.startPage(page);
        cropBox = page.findCropBox();
        pageLeft = cropBox.getLowerLeftX();
        beginLine();
    }

    @Override
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException
    {
        float recentEnd = 0;
        for (TextPosition textPosition: textPositions)
        {
            String textHere = textPosition.getCharacter();
            if (textHere.trim().length() == 0)
                continue;

            float start = textPosition.getTextPos().getXPosition();
            boolean spacePresent = endsWithWS | textHere.startsWith(" ");

            if (needsWS | spacePresent | Math.abs(start - recentEnd) > 1)
            {
                int spacesToInsert = insertSpaces(chars, start, needsWS & !spacePresent);

                for (; spacesToInsert > 0; spacesToInsert--)
                {
                    writeString(" ");
                    chars++;
                }
            }

            writeString(textHere);
            chars += textHere.length();

            needsWS = false;
            endsWithWS = textHere.endsWith(" ");
            try
            {
                recentEnd = getEndX(textPosition);
            }
            catch (IllegalArgumentException | IllegalAccessException | NoSuchFieldException | SecurityException e)
            {
                throw new IOException("Failure retrieving endX of TextPosition", e);
            }
        }
    }

    @Override
    protected void writeLineSeparator() throws IOException
    {
        super.writeLineSeparator();
        beginLine();
    }

    @Override
    protected void writeWordSeparator() throws IOException
    {
        needsWS = true;
    }

    void beginLine()
    {
        endsWithWS = true;
        needsWS = false;
        chars = 0;
    }

    int insertSpaces(int charsInLineAlready, float chunkStart, boolean spaceRequired)
    {
        int indexNow = charsInLineAlready;
        int indexToBe = (int)((chunkStart - pageLeft) / fixedCharWidth);
        int spacesToInsert = indexToBe - indexNow;
        if (spacesToInsert < 1 && spaceRequired)
            spacesToInsert = 1;

        return spacesToInsert;
    }

    float getEndX(TextPosition textPosition) throws IllegalArgumentException, IllegalAccessException, NoSuchFieldException, SecurityException
    {
        Field field = textPosition.getClass().getDeclaredField("endX");
        field.setAccessible(true);
        return field.getFloat(textPosition);
    }

    public float fixedCharWidth = 3;

    boolean endsWithWS = true;
    boolean needsWS = false;
    int chars = 0;

    PDRectangle cropBox = null;
    float pageLeft = 0;
}

它是这样使用的：

PDDocument document = PDDocument.load(PDF);

LayoutTextStripper stripper = new LayoutTextStripper();
stripper.setSortByPosition(true);
stripper.fixedCharWidth = charWidth; // e.g. 5

String text = stripper.getText(document);

fixedCharWidth 是假定的字符宽度。根据相关 PDF 中的文字，不同的值可能更合适。在我的示例文档中，3..6 的值很有趣。

它基本上模拟了 this answer 中 iText 的类似解决方案。但是，结果略有不同，因为 iText 文本提取转发文本块，而 PDFBox 文本提取转发单个字符。

请注意，这只是一个概念验证。它特别没有考虑任何旋转

PDFBox：提取文本时保持 PDF 结构

PDFBox : Maintaining PDF structure when extracting text

java

pdfbox