Java：Apache PDFbox提取突出显示的文本

Question

我正在使用Apache
PDFbox库从PDF文件中提取突出显示的文本（即黄色背景）。我对这个库是完全陌生的，并且不知道它用于哪个目的。到目前为止，我已经使用以下代码从注释中提取了文本。

PDDocument pddDocument = PDDocument.load(new File("test.pdf"));
    List allPages = pddDocument.getDocumentCatalog().getAllPages();
    for (int i = 0; i < allPages.size(); i++) {
    int pageNum = i + 1;
    PDPage page = (PDPage) allPages.get(i);
    List<PDAnnotation> la = page.getAnnotations();
    if (la.size() < 1) {
    continue;
    }
    System.out.println("Total annotations = " + la.size());
    System.out.println("\nProcess Page " + pageNum + "...");
    // Just get the first annotation for testing
    PDAnnotation pdfAnnot = la.get(0); 
    System.out.println("Getting text from comment = " + pdfAnnot.getContents());

现在，我需要突出显示文本，任何代码示例都将受到高度赞赏。

Answer 1

问题中的代码无法读取行中突出显示的确切文本，已经说明了大多数概念，这些概念可用于从具有PDFBox的页面上的有限内容区域提取文本。

在研究了这段代码之后，OP仍在想一个注释：

但是令我困惑的一件事是 QuadPoints 而不是 Rect
。正如您在评论中提到的那样。这是什么，您能用一些代码行还是用简单的词来解释，因为我也面临着多行高度的相同问题？

通常，注释所指的区域是矩形：

Rect 矩形 （必需） 注释矩形，以默认用户空间单位定义注释在页面上的位置。

（摘自表164 – ISO 32000-1中所有注释词典共有的条目）

对于某些注释类型（例如，文本标记），此位置值不足，因为：

• 标记文本的书写角度可能有些奇怪，但是规范中提到的 矩形 类型是指边缘与页面边缘平行的矩形；和
• 要标记的文本可能在一行的任何地方开始，而在另一行的任何地方结束，因此标记区域根本不是矩形，而是多个矩形部分的结合。

因此，为了应对此类注释类型，PDF规范提供了一种更通用的方式来定义区域：

QuadPoints array （必需）
一个8×n数字的数组，用于指定默认用户空间中n个四边形的坐标。每个四边形应在注释下方的文本中包含一个单词或一组连续单词。每个四边形的坐标应按顺序给出

x 1 y 1 x 2 y 2 x 3 y 3 x 4 y 4

以逆时针顺序指定四边形的四个顶点（请参见图64）。文本应相对于边缘连接点（x 1，y 1）和（x 2，y 2）定向。

（摘自表179 – ISO 32000-1中特定于文本标记注释的其他条目）

因此，代替由给定的矩形

PDRectangle rect = pdfAnnot.getRectangle();

在所引用问题]的代码中，您必须考虑由给出的四边形

COSArray quadsArray = (COSArray) pdfAnnot.getDictionary().getDictionaryObject(COSName getPDFName("QuadPoints"));

并相应地定义区域PDFTextStripperByArea stripper。不幸的是，PDFTextStripperByArea.addRegion期望矩形作为参数，而不是通用的四边形。由于文本通常是水平或垂直打印的，因此不会造成太大的问题。

PS 关于 QuadPoints
规格的警告，在实际的PDF中顺序可能有所不同，请参见。问题PDF规格VS创建的Acrobat（QuadPoints）。