java - 使用 PDFBox 获取 PDF 文本的字体信息

Question

我是 Apache PDFBox 库的新手。

我想将字体信息映射到 PDF 段落

我已经浏览过 Questios How to extract font styles of text contents using pdfbox?

但它没有提供有关哪个段落是用哪种字体编写的信息。

例如，如果我的页面包含文本:

para1:宋体

para2:Times New Roman

那么我应该能够得到para1是用Arial书写而para2是用Times New Roman书写的信息。

上述问题提出的解决方案给出了 PDF 页面仅包含的信息

宋体和宋体。

Answer 1

PDFTextStripper您使用的类已记录(参见其 JavaDoc 注释)，如下所示:

* This class will take a pdf document and strip out all of the text and ignore the
* formatting and such.

因此，要获取特定的字体信息，您必须对其进行一些更改。

字体信息在这个类中一直存在，只有在输出一行时才会被丢弃，看看它的source :

protected void writePage() throws IOException
{
    [...]
    for( int i = 0; i < charactersByArticle.size(); i++)
    {
        [...]
        List<TextPosition> line = new ArrayList<TextPosition>();
        [...]
        while( textIter.hasNext() )
        {
            [...]
            if( lastPosition != null )
            {
                [...]
                if(!overlap(positionY, positionHeight, maxYForLine, maxHeightForLine))
                {
                    writeLine(normalize(line,isRtlDominant,hasRtl),isRtlDominant);
                    line.clear();
                    [...]
                }
............

TextPosition该列表中的实例 line仅在“规范化”line 时仍然拥有所有可用的格式信息，其中包括使用的字体它被简化为纯字符。

因此，要保留字体信息，您有不同的选择，具体取决于您希望如何检索字体信息:

• 如果您想通过 getText 继续检索单个字符串中的所有页面内容信息(包括字体) :你改变方法

  private List<String> normalize(List<TextPosition> line, boolean isRtlDominant, boolean hasRtl)
  

  每当字体发生变化时，包含您选择的一些字体标签(例如 [Arial] )。不幸的是这个方法是私有(private)的。因此，您必须复制整个 PDFTextStripper 类并更改副本的代码。

• 如果您想以不同的结构检索特定字体信息(例如 List<List<TextPosition>> )，您可以从 PDFTextStripper 派生您自己的剥离器类。 ，添加一些所需类型的变量，并覆盖 protected方法writePage上面提到的，复制它并仅在该行之前或之后对其进行增强

  writeLine(normalize(line,isRtlDominant,hasRtl),isRtlDominant);
  

  使用代码将信息添加到新变量中。例如

  public class MyPDFTextStripper extends PDFTextStripper
  {
      public List<List<TextPosition>> myLines = new ArrayList<List<TextPosition>>();
      [...]
                  if(!overlap(positionY, positionHeight, maxYForLine, maxHeightForLine))
                  {
                      writeLine(normalize(line,isRtlDominant,hasRtl),isRtlDominant);
                      myLines.add(new ArrayList<TextPosition>(line));
                      line.clear();
                      [...]
                  }
  

  现在您可以调用getText以您的 MyPDFTextStripper 为例，检索纯文本作为结果，并通过新变量访问附加数据