java - 从java中的特定位置提取文本

Question

我想从 pdf 中提取特定文本，我有文本的确切位置

我尝试使用 itext7 进行提取，但是当我创建具有正确尺寸的提取矩形时，它似乎太大而无法匹配文本，但尺寸是正确的，我尝试了 SimpleTextExtractionStrategy 和 LocationTextExtractionStrategy 结果相同 pdfFile

private void estraiValori(PdfPage page) {
    for (Entry<String, Elemento> entry : templateMap.entrySet()) {
        String key = entry.getKey();
        Elemento value=(Elemento) entry.getValue();


        //Rectangle tmp=new Rectangle((float)238.64,(float) 14.8,(float) 122,(float) 28.7);   

            TextRegionEventFilter  fontFilter = new TextRegionEventFilter(value.getDim()); //getDim is a rectangle
            FilteredEventListener listener = new FilteredEventListener();
            //LocationTextExtractionStrategy extractionStrategy = listener.attachEventListener(new LocationTextExtractionStrategy(), fontFilter);
            SimpleTextExtractionStrategy  extractionStrategy = listener.attachEventListener(new SimpleTextExtractionStrategy(), fontFilter);
            new PdfCanvasProcessor(listener).processPageContent(page);//page is a PdfPage

            String actualText = extractionStrategy.getResultantText();
            System.out.println(actualText);



        }


    }

Answer 1

可以通过多种方式在 PDF 中显示(视觉上)相同的内容。您可以逐个字形或整个句子附加文本字形。 TextRegionEventFilter 在过滤之前不会将较大的文本 block 拆分为较小的文本 block 。如果文本是以大块形式编写的，而您只需要其中的一部分，则需要对原始内容进行预处理，即分成更小的 block 。

幸运的是，iText 提供了一种开箱即用的方法来做到这一点 - 该类称为 GlyphTextEventListener，它可以链接到其他 ITextExtractionStrategy 实例。只需按以下方式将监听器包装到 ITextExtractionStrategy 中即可:

TextRegionEventFilter filter =  new TextRegionEventFilter(new Rectangle(x1, y1, x2, y2));
ITextExtractionStrategy filteredListener = new FilteredTextEventListener(new LocationTextExtractionStrategy(), filter);
ITextExtractionStrategy fineGrainedListener = new GlyphTextEventListener(filteredListener);

new PdfCanvasProcessor(fineGrainedListener).processPageContent(page);