是否可以使用 PDFBox 获取单词的位置,类似于“processTextPosition”? 似乎 processTextPosition 仅在单个字符上调用,将它们合并为单词的代码是 PDFTextStripper(在“规范化”中)方法的一部分,它确实返回文本的位置。 是否也有提取位置的方法/实用程序? (对于那些想知道动机是什么的人——信息实际上是一个表格,我们想检测空单元格) 谢谢
最佳答案
要获取从 pdf 文件中提取的文本中的单词及其 x 和 y 位置,您必须扩展 PdfTextStripper 类并使用自定义类从 pdf 文件中提取文本,例如
public class CustomPDFTextStripper extends PDFTextStripper{
public CustomPDFTextStripper() throws IOException {
}
/**
* Override the default functionality of PDFTextStripper.
*/
@Override
protected void writeString(String text, List<TextPosition> textPositions) throws IOException{
TextPosition firstProsition = textPositions.get(0);
writeString(String.format("[%s , %s , %s]", firstProsition.getTextPos().getXPosition(),
firstProsition.getTextPos().getYPosition(), text));
}
}
创建这个自定义类的对象并提取文本
PDFTextStripper pdfStripper = new CustomPDFTextStripper();
String text = pdfStripper.getText(*pdf file wrapped as a PDDocument object*);
结果文本字符串的格式为 [xposition, yposition, word],由默认的单词分隔符分隔
关于java - PDFBox - 获取单词位置(而不仅仅是字符'),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/12354266/