Java：Apache PDFbox提取突出显示的文本

Question

我使用Apache PDFbox库从PDF文件中提取突出显示的文本（即黄色背景）。我对这个库完全陌生，不知道该使用其中的哪个类。到目前为止，我已经使用下面的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());

现在我需要得到突出显示的文本，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跨行突出显示的精确文本，已经说明了使用PDFBox从页面上的有限内容区域提取文本时要使用的大多数概念。

研究了这段代码后，OP仍在评论中表示怀疑：

但有一件事我很困惑，那就是四点而不是矩形。正如你在评论中提到的。这是什么，你能用一些代码行或简单的话来解释它吗，因为我也面临着同样的多行highlghts问题？

通常，注释所指的区域是矩形：

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。

（来自表164-所有注释词典共有的条目-在ISO 32000-1中）

对于某些注释类型（例如文本标记），此位置值不够，因为：

• 标记的文本可能以一些奇怪的角度书写，但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
• 标记的文本可以在一行中的任何位置开始，在另一行中的任何位置结束，因此标记区域根本不是矩形，而是多个矩形部分的联合。

因此，为了处理此类注释类型，PDF规范提供了一种更通用的定义区域的方法：

QuadPoints数组（必需）一个由8×n个数字组成的数组，指定默认用户空间中n个四边形的坐标。每个四边形应包含注释下方文本中的一个单词或一组相邻单词。每个四边形的坐标应按顺序给出

x_{1y1x2y2x3y3x4}

按逆时针顺序指定四边形的四个顶点（参见图64）。文本应相对于边缘连接点（x₁，y₁）和（x₂，y₂）。

（摘自ISO 32000-1中的表179–特定于文本标记注释的附加条目）

因此，不是由

PDRectangle rect = pdfAnnot.getRectangle();

在参考问题中的代码中，您必须考虑由

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

并相应地为PDFTextStripperByArea剥离器定义区域。不幸的是PDFTextStripperByArea.add区域需要一个矩形作为参数，而不是一些通用的四边形。由于文本通常是水平或垂直打印的，这应该不会造成太大的问题。

PS关于QuadPoints规范的一个警告，在现实生活中PDF的顺序可能不同，请参阅PDF规范与Acrobat创建（QuadPoints）的问题。

Answer 2

我希望这个答案能帮助所有面临同样问题的人。

// PDF32000-2008
// 12.5.2 Annotation Dictionaries
// 12.5.6 Annotation Types
// 12.5.6.10 Text Markup Annotations
@SuppressWarnings({ "unchecked", "unused" })
public ArrayList<String> getHighlightedText(String filePath, int pageNumber) throws IOException {
    ArrayList<String> highlightedTexts = new ArrayList<>();
    // this is the in-memory representation of the PDF document.
    // this will load a document from a file.
    PDDocument document = PDDocument.load(filePath);
    // this represents all pages in a PDF document.
    List<PDPage> allPages =  document.getDocumentCatalog().getAllPages();
    // this represents a single page in a PDF document.
    PDPage page = allPages.get(pageNumber);
    // get  annotation dictionaries
    List<PDAnnotation> annotations = page.getAnnotations();

    for(int i=0; i<annotations.size(); i++) {
        // check subType 
        if(annotations.get(i).getSubtype().equals("Highlight")) {
            // extract highlighted text
            PDFTextStripperByArea stripperByArea = new PDFTextStripperByArea();

            COSArray quadsArray = (COSArray) annotations.get(i).getDictionary().getDictionaryObject(COSName.getPDFName("QuadPoints"));
            String str = null;

            for(int j=1, k=0; j<=(quadsArray.size()/8); j++) {

                COSFloat ULX = (COSFloat) quadsArray.get(0+k);
                COSFloat ULY = (COSFloat) quadsArray.get(1+k);
                COSFloat URX = (COSFloat) quadsArray.get(2+k);
                COSFloat URY = (COSFloat) quadsArray.get(3+k);
                COSFloat LLX = (COSFloat) quadsArray.get(4+k);
                COSFloat LLY = (COSFloat) quadsArray.get(5+k);
                COSFloat LRX = (COSFloat) quadsArray.get(6+k);
                COSFloat LRY = (COSFloat) quadsArray.get(7+k);

                k+=8;

                float ulx = ULX.floatValue() - 1;                           // upper left x.
                float uly = ULY.floatValue();                               // upper left y.
                float width = URX.floatValue() - LLX.floatValue();          // calculated by upperRightX - lowerLeftX.
                float height = URY.floatValue() - LLY.floatValue();         // calculated by upperRightY - lowerLeftY.

                PDRectangle pageSize = page.getMediaBox();
                uly = pageSize.getHeight() - uly;

                Rectangle2D.Float rectangle_2 = new Rectangle2D.Float(ulx, uly, width, height);
                stripperByArea.addRegion("highlightedRegion", rectangle_2);
                stripperByArea.extractRegions(page);
                String highlightedText = stripperByArea.getTextForRegion("highlightedRegion");

                if(j > 1) {
                    str = str.concat(highlightedText);
                } else {
                    str = highlightedText;
                }
            }
            highlightedTexts.add(str);
        }
    }
    document.close();

    return highlightedTexts;
}