按列提取PDF文本

Question

我的问题是：

如何从按列划分的PDF文件中提取文本，以获得由该列分隔的结果？

背景：我从事一个关于文本分析（尤其是科学文本）的项目。这些文本有时以多列布局发布，每列都有单独的页码。要按布局页码对提取的文本进行排序，按列提取文本会很有用。

我使用pdfBox并尝试/搜索了以下内容：

• 我尝试了类的getThreadBeads（）方法-

问题是pdfBox似乎会自动将文本按列划分：如果我将PDFTextStripper的设置为true，则页面的所有符号都设置在一行中，而不识别单独的列。但如果我将setSortByPosition（）设置为false，则剥离器正在进行此除法。

为此，我查看了pdfBox源代码：关键方法是PDFTextStripper的WritePage（）方法。这里空格（大多数pdf中没有给出）和换行符显然是计算出来的。但是我找不到Stripper是如何计算列中断的。

所以问题又来了：

• PDFTextStripper如何计算列分隔符
• pdfBox API中是否有方法捕获此内容/按列提取文本
• 这在其他pdf api中是否可行

提前谢谢

Answer 1

结合@mkl的答案，我使用PDFbox完成了按列提取文本的过程。

我找到两列边界的方法是不断尝试。=：

    StringBuilder pdfText = new StringBuilder();
    PDFTextStripperByArea stripper = new PDFTextStripperByArea();

    stripper.setSortByPosition(true);

    Rectangle rectLeft = new Rectangle(10, 60, 320, 820);

    Rectangle rectRight = new Rectangle(330, 60, 320, 820);

    stripper.addRegion("leftColumn", rectLeft);

    stripper.addRegion("rightColumn", rectRight);

    PDPageTree allPages = document.getDocumentCatalog().getPages();
    int pageNumber = document.getNumberOfPages();


    String leftText = "";
    String rightText = "";

    for (int i = 0; i < pageNumber; i++) {

        PDPage page = (PDPage) allPages.get(i);

        stripper.extractRegions(page);
        leftText = stripper.getTextForRegion("leftColumn");
        rightText = stripper.getTextForRegion("rightColumn");

        pdfText.append(leftText);
        pdfText.append(rightText);


    }

Answer 2

如果我将PDFTextStripper的setSortByPosition（）设置为true，则页面的所有符号都设置在一行中，而不识别单独的列。但如果我将setSortByPosition（）设置为false，则剥离器将执行此除法。

[...] PDFTextStripper如何计算列分隔符？

它不是。

通过将SortByPotion设置为false，您告诉PDFBox不要尝试对页面内容流中的文本片段进行排序，而是按照它们出现的顺序接受它们。

在您的文档中，文本片段似乎是按照阅读顺序绘制的，即逐列绘制。并非所有文档都是如此，为了应对其他文档，PDFBox提供了从左到右、从上到下对文本片段进行排序的选项。

在文档中激活该选项（将SortByPotion设置为true）会返回不尊重列的文本。

pdfBox API中是否有方法捕获此内容/按列提取文本？

PDFBox不分析页面内容以识别列。但是，如果您进行分析，如果您提供列矩形作为规则，它允许您逐列提取文本。