如何使用pdfbox从pdf提取粗体文本？

Question

我正在使用Apache
pdfbox提取文本。我可以从pdf中提取文本，但我不知道该单词是否为粗体？（代码建议会很好！！！）这是从pdf提取纯文本的代码，可以正常工作。

PDDocument document = PDDocument
    .load("/home/lipu/workspace/MRCPTester/test.pdf");
document.getClass();
if (document.isEncrypted()) {
    try {
        document.decrypt("");
    } catch (InvalidPasswordException e) {
        System.err.println("Error: Document is encrypted with a password.");
        System.exit(1);
    }
}

// PDFTextStripperByArea stripper = new PDFTextStripperByArea();
// stripper.setSortByPosition(true);
PDFTextStripper stripper = new PDFTextStripper();
stripper.setStartPage(1);
stripper.setEndPage(2);
stripper.setSortByPosition(true);
String st = stripper.getText(document);

Answer 1

的结果PDFTextStripper是纯文本。因此，将其提取后为时已晚。但是，您可以覆盖某些方法，只允许根据您的意愿格式化的文本通过。

在这种情况下，PDFTextStripper您必须覆盖

protected void processTextPosition( TextPosition text )

在您的替代中，您检查所讨论的文本是否满足您的要求（TextPosition包含有关所讨论文本的很多信息，不仅是文本本身），如果满足，则将其转发TextPosition text给super实现。

但是，主要问题是要识别哪个文本为 粗体 。

粗体的 标准可能是字体名称中的 粗体 一词，例如 Courier-BoldOblique-
您使用来访问文本的字体，text.getFont()并使用字体的方法来访问字体的 后记名称。getBaseFont()

String postscriptName = text.getFont().getBaseFont();

条件也可能来自字体描述符-您可以使用getFontDescriptor方法获得字体的字体描述符，并且字体描述符具有可选的字体权重值

float fontWeight = text.getFont().getFontDescriptor().getFontWeight();

该值定义为

（可选； PDF 1.5；应用于带标签的PDF文档中的Type
3字体）完全限定的字体名称或字体说明符的粗细（厚度）部分。可能的值应为100、200、300、400、500、600、700、800或900，其中每个数字表示的权重至少与其前身一样暗。值400表示正常重量；
700表示粗体。

这些值的具体解释因字体而异。

示例300中的一种字体可能看起来与另一字体中的500最相似。

（表122，ISO 32000-1，第9.8.1节）

可能还有其他暗示要检查的 粗体 主义的提示，例如，较大的线宽

double lineWidth = getGraphicsState().getLineWidth();

当渲染模式绘制轮廓时：

int renderingMode = getGraphicsState().getTextState().getRenderingMode();

您可能需要尝试使用符合标准的手头文件。