java - PDFBox - 获取单词位置（而不仅仅是字符）

Question

是否可以使用 PDFBox 获取单词的位置，类似于“processTextPosition”？似乎 processTextPosition 仅在单个字符上调用，并且将它们合并为单词的代码是 PDFTextStripper （在“规范化”中）方法的一部分，它确实返回了文本的位置。是否有一种方法/实用程序也可以提取位置？（对于那些想知道动机是什么的人 - 信息实际上是一个表格，我们想检测空单元格）谢谢

Answer 1

要在从 pdf 文件中提取的文本中获取单词及其 x 和 y 位置，您必须扩展 PdfTextStripper 类并使用自定义类从 pdf 文件中提取文本，例如

public class CustomPDFTextStripper extends PDFTextStripper{

    public CustomPDFTextStripper() throws IOException {

    }

    /**
    * Override the default functionality of PDFTextStripper.
    */

    @Override
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException{
        TextPosition firstProsition = textPositions.get(0);
        writeString(String.format("[%s , %s , %s]", firstProsition.getTextPos().getXPosition(),
                firstProsition.getTextPos().getYPosition(), text));

    }
}

创建此自定义类的对象并提取文本

PDFTextStripper pdfStripper = new CustomPDFTextStripper();
String text = pdfStripper.getText(*pdf file wrapped as a PDDocument object*);

结果文本字符串采用 [xposition, yposition, word] 的形式，由默认的单词分隔符分隔