使用pdfbox从.pdf文件中逐字提取文本

Question

我的目标是从。pdf文件中提取文本，并将其写入Excel文件，而不会丢失文本格式。此时，我已经成功地从二维数组中提取了具有字体、大小和坐标的文本，但是我有一个小问题:同一行中的不同单词被组合成一个单词。

例如:

020 | 0542 | CD45

它将在同一个单词中提取:0200542CD45

我找不到我的错误在哪里。我需要你的帮助。

这是我的代码:

public class PrintTextLocations extends PDFTextStripper {
    public static StringBuilder tWord = new StringBuilder();
    public static String[][] coordTab;
    public static int p = 0;
    public static String seek;
    public static String[] seekA;
    public static List<String> wordList = new ArrayList();
    public static boolean is1stChar = true;
    public static boolean lineMatch;
    public static int pageNo = 1;
    public static double lastYVal;
    public PrintTextLocations() throws IOException {
        super.setSortByPosition(true);
    }
    public static void main(String[] args) throws Exception {
        PDDocument document = null;
        PDFTextParser pdftext = new PDFTextParser();
        String file_name = "d:/test.pdf";
        seekA = pdftext.pdftoText(file_name).split(" ");
        seek = pdftext.pdftoText(file_name);
        coordTab = new String [seekA.length*2][6];
        try {
            File input = new File(file_name);
            document = PDDocument.load(input);
            if (document.isEncrypted()) {
                document.decrypt("");
            }
            PrintTextLocations printer = new PrintTextLocations();
            List allPages = document.getDocumentCatalog().getAllPages();
            for (int i = 0; i < allPages.size(); i++) {
                PDPage page = (PDPage) allPages.get(i);
                PDStream contents = page.getContents();
                if (contents != null) {
                     printer.processStream(page, page.findResources(), page.getContents().getStream());
                }
                pageNo += 1;
            }
        } finally {
            if (document != null) {
                for (int k = 0; k<= p;k++){
                    System.out.println(k+" : "+coordTab[k][0]+" | "+coordTab[k][1]+" | "+coordTab[k][2]+" | "+coordTab[k][3]+" | "+coordTab[k][4]+" | "+coordTab[k][5]);
                }           
                myxls.close();
                document.close();
            }
        }
    }
    @Override
    protected void processTextPosition(TextPosition text) {
        String tChar = text.getCharacter();
        String REGEX = "'' ";
        char c = tChar.charAt(0);
        lineMatch = matchCharLine(text);
        if (!Character.isWhitespace(c)) {
            if ((!is1stChar) && (lineMatch == true)) {
                appendChar(tChar);
            } else if (is1stChar == true) {
                setWordCoord(text, tChar);
            }
        } else {
            endWord();
        }
    }
    protected void appendChar(String tChar) {
        tWord.append(tChar);
        coordTab[p][3] = String.valueOf(tWord);
        is1stChar = false;
    }
    protected void setWordCoord(TextPosition text, String tChar) {
        tWord.append(tChar);
        coordTab[p][0] = ""+ pageNo;
        coordTab[p][1] = ""+ roundVal(Float.valueOf(text.getX()));
        coordTab[p][2] = ""+ roundVal(Float.valueOf(text.getY()));
        coordTab[p][3] = String.valueOf(tWord);
        coordTab[p][4] = ""+text.getFontSize();
        coordTab[p][5] = ""+text.getFont().getBaseFont();
        is1stChar = false;
    }
    protected void endWord() {
        String newWord = tWord.toString().replaceAll("[^\x00-\x7F]", "");
        String sWord = newWord.substring(newWord.lastIndexOf(' ') + 1);
        if (!"".equals(sWord)) {
            if (Arrays.asList(seekA).contains(sWord)) {
                wordList.add(newWord);
            } else {
                wordList.add(newWord);
            }
        }
        tWord.delete(0, tWord.length());
        is1stChar = true;
        p++;
    }
    protected boolean matchCharLine(TextPosition text) {
        Double yVal = roundVal(Float.valueOf(text.getY()));
        if (yVal.doubleValue() == lastYVal) {
            return true;
        }
        lastYVal = yVal.doubleValue();
        endWord();
        return false;
    }
    protected Double roundVal(Float yVal) {
        DecimalFormat rounded = new DecimalFormat("###.##");
        String st = rounded.format(yVal);
        Double yValDub = Double.parseDouble(st.replace(",", "."));
        return yValDub;
    }
}

Answer 1

缺失的空格

在这方面的错误是，您假设单词之间的空白是由作为空格字符提取的空符号创建的。

这是不需要的!

也可以通过显式转发x位置来创建这些间隙。

由于您只查看文本原点(matchCharLine中的TextPosition.getY())的y坐标，而忽略了它的x坐标(TextPosition.getX())，因此您错过了这样的间隙。

的另一个问题

您假定检索TextPosition实例的顺序是"正确的"顺序。

这是不需要的!

文本的符号可能以随机顺序绘制，因此您可能以随机顺序接收它们。

完全随机的顺序很少出现，但偶尔会使用某种程度的重新排序。

该怎么做

PDFBox PDFTextStripper类实际上已经使用了经过充分测试的例程来添加空格，并对无序的字形进行排序。但是，通过重写processTextPosition，您阻止了该代码的使用。

因此，您不应该替换processTextPosition方法，而应该覆盖writeString(String, List<TextPosition>)和writeWordSeparator()方法。

对于自动排序的字形只需使用setSortByPosition(true)。