使用带有VB. NET的PDFBox检测粗体、斜体和罢工文本

Question

使用PDFBox提取PDF时，有没有办法保留文本格式？

我有一个解析PDF文档以获取信息的程序。当PDF的新版本发布时，作者使用粗体或斜体字文本来指示新信息，并在指示省略的文本中删除或加下划线。在PDFbox中使用基本的Stripper类返回所有文本，但格式被删除，因此我无法判断文本是新的还是省略的。我目前正在使用下面的项目示例代码：

    Dim doc As PDDocument = Nothing

    Try
        doc = PDDocument.load(RFPFilePath)
        Dim stripper As New PDFTextStripper()

        stripper.setAddMoreFormatting(True)
        stripper.setSortByPosition(True)
        rtxt_DocumentViewer.Text = stripper.getText(doc)

    Finally
        If doc IsNot Nothing Then
            doc.close()
        End If
    End Try

如果我简单地将PDF文本复制并粘贴到保存格式的rich text box中，我的解析代码就可以正常工作。我正在考虑通过打开PDF、选择全部、复制、关闭文档然后将其粘贴到我的rich text box来以编程方式执行此操作，但这似乎很笨重。

Answer 1

正如OP在评论中提到的那样，一个Java的例子可以做，而且我还只在Java中使用了PDFBox，这个答案有一个Java的例子。此外，这个例子只在PDFBox版本1.8.11中开发和测试过。

正如评论中已经提到的，

OP示例文档中的粗体和斜体效果是通过使用不同的字体（包含字母的粗体或斜体版本）绘制文本生成的。示例文档中的下划线和横线效果是通过在文本行下/穿过文本行绘制一个矩形生成的，该矩形具有文本行的宽度和非常小的高度。因此，要提取这些信息，必须扩展PDFTextStripper，以某种方式对字体更改和文本附近的矩形做出反应。

这是一个扩展PDFTextStripper的示例类，如下所示：

public class PDFStyledTextStripper extends PDFTextStripper
{
    public PDFStyledTextStripper() throws IOException
    {
        super();
        registerOperatorProcessor("re", new AppendRectangleToPath());
    }

    @Override
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException
    {
        for (TextPosition textPosition : textPositions)
        {
            Set<String> style = determineStyle(textPosition);
            if (!style.equals(currentStyle))
            {
                output.write(style.toString());
                currentStyle = style;
            }
            output.write(textPosition.getCharacter());
        }
    }

    Set<String> determineStyle(TextPosition textPosition)
    {
        Set<String> result = new HashSet<>();

        if (textPosition.getFont().getBaseFont().toLowerCase().contains("bold"))
            result.add("Bold");

        if (textPosition.getFont().getBaseFont().toLowerCase().contains("italic"))
            result.add("Italic");

        if (rectangles.stream().anyMatch(r -> r.underlines(textPosition)))
            result.add("Underline");

        if (rectangles.stream().anyMatch(r -> r.strikesThrough(textPosition)))
            result.add("StrikeThrough");

        return result;
    }

    class AppendRectangleToPath extends OperatorProcessor
    {
        public void process(PDFOperator operator, List<COSBase> arguments)
        {
            COSNumber x = (COSNumber) arguments.get(0);
            COSNumber y = (COSNumber) arguments.get(1);
            COSNumber w = (COSNumber) arguments.get(2);
            COSNumber h = (COSNumber) arguments.get(3);

            double x1 = x.doubleValue();
            double y1 = y.doubleValue();

            // create a pair of coordinates for the transformation
            double x2 = w.doubleValue() + x1;
            double y2 = h.doubleValue() + y1;

            Point2D p0 = transformedPoint(x1, y1);
            Point2D p1 = transformedPoint(x2, y1);
            Point2D p2 = transformedPoint(x2, y2);
            Point2D p3 = transformedPoint(x1, y2);

            rectangles.add(new TransformedRectangle(p0, p1, p2, p3));
        }

        Point2D.Double transformedPoint(double x, double y)
        {
            double[] position = {x,y}; 
            getGraphicsState().getCurrentTransformationMatrix().createAffineTransform().transform(
                    position, 0, position, 0, 1);
            return new Point2D.Double(position[0],position[1]);
        }
    }

    static class TransformedRectangle
    {
        public TransformedRectangle(Point2D p0, Point2D p1, Point2D p2, Point2D p3)
        {
            this.p0 = p0;
            this.p1 = p1;
            this.p2 = p2;
            this.p3 = p3;
        }

        boolean strikesThrough(TextPosition textPosition)
        {
            Matrix matrix = textPosition.getTextPos();
            // TODO: This is a very simplistic implementation only working for horizontal text without page rotation
            // and horizontal rectangular strikeThroughs with p0 at the left bottom and p2 at the right top

            // Check if rectangle horizontally matches (at least) the text
            if (p0.getX() > matrix.getXPosition() || p2.getX() < matrix.getXPosition() + textPosition.getWidth() - textPosition.getFontSizeInPt() / 10.0)
                return false;
            // Check whether rectangle vertically is at the right height to underline
            double vertDiff = p0.getY() - matrix.getYPosition();
            if (vertDiff < 0 || vertDiff > textPosition.getFont().getFontDescriptor().getAscent() * textPosition.getFontSizeInPt() / 1000.0)
                return false;
            // Check whether rectangle is small enough to be a line
            return Math.abs(p2.getY() - p0.getY()) < 2;
        }

        boolean underlines(TextPosition textPosition)
        {
            Matrix matrix = textPosition.getTextPos();
            // TODO: This is a very simplistic implementation only working for horizontal text without page rotation
            // and horizontal rectangular underlines with p0 at the left bottom and p2 at the right top

            // Check if rectangle horizontally matches (at least) the text
            if (p0.getX() > matrix.getXPosition() || p2.getX() < matrix.getXPosition() + textPosition.getWidth() - textPosition.getFontSizeInPt() / 10.0)
                return false;
            // Check whether rectangle vertically is at the right height to underline
            double vertDiff = p0.getY() - matrix.getYPosition();
            if (vertDiff > 0 || vertDiff < textPosition.getFont().getFontDescriptor().getDescent() * textPosition.getFontSizeInPt() / 500.0)
                return false;
            // Check whether rectangle is small enough to be a line
            return Math.abs(p2.getY() - p0.getY()) < 2;
        }

        final Point2D p0, p1, p2, p3;
    }

    final List<TransformedRectangle> rectangles = new ArrayList<>();
    Set<String> currentStyle = Collections.singleton("Undefined");
}

（PDFStyledTextStripper.java）

除了PDFTextStripper所做的之外，这个类还

• 使用AppendRecangleToPath运算符处理器内部类的实例从内容（使用re指令定义）中收集矩形，
• 检查示例文档中样式变体的文本确定样式，并且
• 每当样式更改时，都会将新样式添加到WriteString中的结果中。

注意：这仅仅是概念的证明！特别是

• TransformedRectangle中测试的实现。下划线（TextPosition）和transformedlectangle#删除线（TextPosition）非常简单，只适用于没有页面旋转的水平文本和水平矩形删除线和下划线，p0在左下角，p2在右上角

像这样使用PDFStyledTextStripper

String extractStyled(PDDocument document) throws IOException
{
    PDFTextStripper stripper = new PDFStyledTextStripper();
    stripper.setSortByPosition(true);
    return stripper.getText(document);
}

（来自ExtractText.java，从测试方法testExtractStyledFromExampleDocument调用）

一个得到结果

[]This is an example of plain text 
 
[Bold]This is an example of bold text 
[] 
[Underline]This is an example of underlined text[] 
 
[Italic]This is an example of italic text  
[] 
[StrikeThrough]This is an example of strike through text[]  
 
[Italic, Bold]This is an example of bold, italic text 

对于OP的示例文档

PS与此同时，PDFStyledTextStripper的代码也做了一些细微的更改，以适用于github发行版中共享的示例文档，尤其是其内部类TransformedRectangle的代码，参见此处。