如何使用pdfbox从pdf中提取粗体文本？

Question

我使用Apache pdfbox来提取文本。我可以从pdf中提取文本，但我不知道如何知道这个词是否加粗？？？（代码建议很好！！！）下面是从pdf中提取纯文本的代码，效果很好。

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

PDFTextStripper的结果是纯文本。因此，在提取之后，为时已晚。但你可以覆盖它的某些方法，只允许通过根据你的意愿格式化的文本。

在PDFTextStripper的情况下，必须重写

protected void processTextPosition( TextPosition text )

在重写中，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许多信息，而不仅仅是文本本身），如果满足，请将所讨论的文本转发给超级实现。

然而，主要问题是要识别哪个文本是粗体的。

粗体字的标准可能是字体名称中的粗体字，例如Courier BoldLoxel-您可以使用文本访问文本的字体。getFont（）和使用字体的方法getBaseFont（）的postscript字体名称

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

条件也可能来自字体描述符-您可以使用getFontDescriptor方法获取字体的字体描述符，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；应用于标记PDF文档中的类型3字体）完全限定字体名称或字体说明符的权重（厚度）组件。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重量至少与其前一个数字一样暗。400表示正常重量；700应显示粗体。

这些值的具体解释因字体而异。

一种字体中的示例300可能与另一种字体中的示例500最为相似。

（ISO 32000-1第9.8.1节表122）

可能还有其他提示要检查粗体主义，例如大线宽

double lineWidth = getGraphicsState().getLineWidth();

渲染模式也绘制轮廓时：

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

您可能必须尝试使用您手头的文件，哪些标准就足够了。