java - 如何使用java从pdf文档中读取或提取图形组件，例如正方形，矩形，直线等？

Question

我正在尝试从使用 iText 生成的 pdf 文档中提取所有数据(例如正方形、矩形、直线等)。但是我无法提取内容而不是文本和图像。我想提取上面提到的图形组件。

Answer 1

似乎有3个选项(至少这些是我能找到的)，我不知道你到底有什么，所以我将粘贴所有3个，这些是在增加难度)

第一个选项:您可以这样做:(取自 here)

PDDocument document = null; 
document = PDDocument.load(inFile); 
List pages = document.getDocumentCatalog().getAllPages();
Iterator iter = pages.iterator(); 
while (iter.hasNext()) {
            PDPage page = (PDPage) iter.next();
            PDResources resources = page.getResources();
            Map pageImages = resources.getImages();
            if (pageImages != null) { 
                Iterator imageIter = pageImages.keySet().iterator();
                while (imageIter.hasNext()) {
                    String key = (String) imageIter.next();
                    PDXObjectImage image = (PDXObjectImage) pageImages.get(key);
                    image.write2OutputStream(/* some output stream */);
                }
            }
}

第二个选项可能是将 PDF 文档转换为 HTML，使用类似于 here 所示的内容。然后，使用 JSoup处理 HTML 并迭代 img 标签，这就是我假设图像将被渲染的方式。

或者，您可以查看 Hough Transform :

The Hough transform is a feature extraction technique used in image analysis, computer vision, and digital image processing. The purpose of the technique is to find imperfect instances of objects within a certain class of shapes by a voting procedure.

图像库，例如 OpenCV作为此类库的 Java 包装器，应该能够产生开箱即用的此类功能 ( OpenCV-Java )。

This示例应该会为您指明正确的方向。