PDFBox：在提取文本时保持PDF结构

Question

PDFBox：在提取文本时保持PDF结构

javapdfbox

3

我正在尝试从一个充满表格的PDF文件中提取文本。在某些情况下，一列是空的。当我从PDF中提取文本时，空列被跳过并替换为空格，因此，我的正则表达式无法确定该位置上是否有没有信息的列。

更好地理解这个问题，请看下面的图片：

我们可以看到，从PDF中提取的文本没有保留列格式。

我提取PDF文本的代码示例：

PDFTextStripper reader = new PDFTextStripper();
            reader.setSortByPosition(true);
            reader.setStartPage(page);
            reader.setEndPage(page);
            String st = reader.getText(document);
            List<String> lines = Arrays.asList(st.split(System.getProperty("line.separator")));

如何在从PDF中提取文本时保持原始PDF的完整结构？

非常感谢。

- Leor

1

尝试使用像Tabula Java这样的工具，它是建立在PDFBox之上的。PDFBox不会尝试识别表格。 - Tilman Hausherr

Leor，如果你对PDFTextStripper的变体感兴趣，它会尝试在PDF中存在大间隙的地方插入额外的空格，我将复制我曾经回答过的一个已被删除的问题，其中包含这样的变体。 - mkl

@mkl 您的解决方案可能会有所帮助。如果添加的额外空格始终相同（在字符数方面），它可以完成工作。 - Leor

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- mkl · Accepted Answer

(这原本是另一个问题的答案（日期为2015年2月6日），该问题的提问者删除了包括所有答案。由于时代久远，答案中的代码仍基于PDFBox 1.8.x，因此可能需要一些更改才能使其运行于PDFBox 2.0.x。)

在评论中，提问者表达了对扩展PDFBox PDFTextStripper 以返回尝试反映PDF文件布局的文本行的解决方案感兴趣，这可能有助于解决该问题。

该类的概念验证如下：

public class LayoutTextStripper extends PDFTextStripper
{
    public LayoutTextStripper() throws IOException
    {
        super();
    }

    @Override
    protected void startPage(PDPage page) throws IOException
    {
        super.startPage(page);
        cropBox = page.findCropBox();
        pageLeft = cropBox.getLowerLeftX();
        beginLine();
    }

    @Override
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException
    {
        float recentEnd = 0;
        for (TextPosition textPosition: textPositions)
        {
            String textHere = textPosition.getCharacter();
            if (textHere.trim().length() == 0)
                continue;

            float start = textPosition.getTextPos().getXPosition();
            boolean spacePresent = endsWithWS | textHere.startsWith(" ");

            if (needsWS | spacePresent | Math.abs(start - recentEnd) > 1)
            {
                int spacesToInsert = insertSpaces(chars, start, needsWS & !spacePresent);

                for (; spacesToInsert > 0; spacesToInsert--)
                {
                    writeString(" ");
                    chars++;
                }
            }

            writeString(textHere);
            chars += textHere.length();

            needsWS = false;
            endsWithWS = textHere.endsWith(" ");
            try
            {
                recentEnd = getEndX(textPosition);
            }
            catch (IllegalArgumentException | IllegalAccessException | NoSuchFieldException | SecurityException e)
            {
                throw new IOException("Failure retrieving endX of TextPosition", e);
            }
        }
    }

    @Override
    protected void writeLineSeparator() throws IOException
    {
        super.writeLineSeparator();
        beginLine();
    }

    @Override
    protected void writeWordSeparator() throws IOException
    {
        needsWS = true;
    }

    void beginLine()
    {
        endsWithWS = true;
        needsWS = false;
        chars = 0;
    }

    int insertSpaces(int charsInLineAlready, float chunkStart, boolean spaceRequired)
    {
        int indexNow = charsInLineAlready;
        int indexToBe = (int)((chunkStart - pageLeft) / fixedCharWidth);
        int spacesToInsert = indexToBe - indexNow;
        if (spacesToInsert < 1 && spaceRequired)
            spacesToInsert = 1;

        return spacesToInsert;
    }

    float getEndX(TextPosition textPosition) throws IllegalArgumentException, IllegalAccessException, NoSuchFieldException, SecurityException
    {
        Field field = textPosition.getClass().getDeclaredField("endX");
        field.setAccessible(true);
        return field.getFloat(textPosition);
    }

    public float fixedCharWidth = 3;

    boolean endsWithWS = true;
    boolean needsWS = false;
    int chars = 0;

    PDRectangle cropBox = null;
    float pageLeft = 0;
}

它的使用方式如下：

PDDocument document = PDDocument.load(PDF);

LayoutTextStripper stripper = new LayoutTextStripper();
stripper.setSortByPosition(true);
stripper.fixedCharWidth = charWidth; // e.g. 5

String text = stripper.getText(document);

“fixedCharWidth”是假定的字符宽度。根据所涉及PDF中的书写，可能需要不同的值。在我的示例文档中，3到6的值比较有用。

它本质上模拟了iText中类似的解决方案（请参见this answer）。然而，结果有些不同，因为iText文本提取将文本块向前移动，而PDFBox文本提取将单个字符向前移动。

请注意，这只是一个概念验证。它尤其没有考虑任何旋转。