PDF查找文本是否带下划线或表格单元格

Question

我一直在玩PdfBox和PDFTextStripperByArea方法。

如果文本是粗体或斜体字，我能够提取信息，但我无法获得下划线信息。

据我所知，在PDF中，下划线是通过画线来完成的。所以理论上，我应该能够在文本周围的某个地方获得一些关于线条的信息。给出这些信息，我就可以找出文本是加了下划线还是在表格中。

以下是我目前的代码：

List<TextPosition> textPos = charactersByArticle.get(index);

for (TextPosition t : textPos)
{               
    if (t.getFont().getFontDescriptor() != null)
    {                           
        if (t.getFont().getFontDescriptor().getFontWeight() > BOLD_WEIGHT ||
            t.getFont().getFontDescriptor().isForceBold())
        {
            isBold = true;
        }

        if (t.getFont().getFontDescriptor().isItalic())
        {
            isItalic = true;
        }
    }
}

我试着绕过PDFStreamEngine类中的processEncodedText方法处理的PDGraphicsState对象，但在那里找不到行的信息。

有什么建议可以从何处检索此信息？

Answer 1

您可以使用Itext生成pdf报告。

通过使用itext，您可以轻松地放置这些行。

试试下面的方法。

文件添加（新行分隔符（0.5f，50，null，0，198））；

上述代码用于在pdf报告中生成行。并根据您的选择设置尺寸。

希望这对你有帮助。

Answer 2

正如您所提到的--PDFBox使用资源文件，将PDF操作符/说明绑定到将处理信息的访问者。

您可能最好先将PDFBox的现有访问者复制到您自己的源文件夹中，然后从那里添加/扩展实现。

我很久以前的PostScript经历让我想起了“moveto”和“lineto”操作符。由于PDF基本上是基于PS的，所以您将寻找类似的内容。

http://learnpostscript.wordpress.com/category/lineto/

PDF格式是一种HTML格式，做错了。它表示图形化实现，而不是语义。即使重建句子也很困难——单词甚至单个字符被定位，“空格”或“换行符”必须通过算法重建。简而言之，土坯是一个漏洞。读者是一头不符合人体工程学、虫子缠身、不安全、臃肿的猪。

但是，您可以完成您的要求——如果您愿意投入12小时的工作。除了按位置检测外，下划线通常会在文本之后立即在PDF中发出...因此您可以通过PDF文档顺序锁定您的检测，而不仅仅是页面位置。

另外，试着用带下划线的文本构建一个简单的两行PDF。然后看看你能做些什么，把它解析回来！下划线应该像狗的香蕉一样突出，一旦你能检测到，你就可以上路了。

PDFBox的可扩展性不是很好，它主要只是一大堆算法。出于这个原因，只需从那里复制PDFTextStripper源代码（并且可能有PageDrawer供参考）和原型。

希望这有帮助！

Answer 3

以下是我目前发现的情况：

PDFBox使用一个资源文件将PDF操作符/指令绑定到某些类，然后这些类处理信息。

如果我们看看PDFTextStripper。属性资源文件位于：

pdfbox\src\main\resources\org\apache\pdfbox\resources\

例如，我们可以看到BT运营商绑定到组织。阿帕奇。pdfbox。util。操作人员BeginText类等。

下的PDFTextStripper

pdfbox\src\main\java\org\apache\pdfbox\util\

考虑到这一点，并利用此类对PDF的处理。

但所有图形对象都被忽略，因此没有下划线或表格结构的信息！

现在，如果我们看看PageDrawer。属性资源文件我们可以看到，这一个绑定到几乎所有可用的操作符。PageDrawer类在

pdfbox\src\main\java\org\apache\pdfbox\pdfviewer\

现在的“诀窍”是找出哪些图形操作符表示下划线和表，并将它们与PDFTextStripper结合使用。

现在这意味着阅读PDF文件规范，这是目前的大量工作。

如果有人知道哪些操作员负责绘制下划线和表格线，请告诉我。