0

阅读多栏PDF文档

当 iText 读取 PDF（将页面内容提取到字符串变量中）时，内容将通过以下方式修复：

reader = new PdfReader(getResources().openRawResource(R.raw.resume1));
original_content = PdfTextExtractor.getTextFromPage(reader, 2);
String sub_content = original_content.trim().replaceAll(" {2,}", " ");
sub_content = sub_content.trim().replaceAll("\n ", "\n");
sub_content = sub_content.replaceAll("(.+)(?<!\\.)\n(?!\\W)", "$1 ");

如果文档只有 1 列，但如果文档有多列，它将每行提取文档 1。它将结合左右列。

我将其用作示例 PDF，这是来自 START QA 文档。

如何阅读多列的 PDF 文档？

4

1 回答 1

3

这个问题有两种不同的方法，使用哪种方法取决于 PDF 本身。

  1. 如果问题中的 PDF 页面内容中的字符串已经处于所需的顺序：而不是您使用LocationTextExtractionStrategy的重载隐式使用，而是PdfTextExtractor.getTextFromPage显式使用SimpleTextExtractionStrategy; 在你的情况下：

    original_content = PdfTextExtractor.getTextFromPage(reader, 2, new SimpleTextExtractionStrategy());

  2. 如果有问题的 PDF 页面内容中的字符串不是所需的顺序：不是您使用LocationTextExtractionStrategy的重载隐式使用的，而是PdfTextExtractor.getTextFromPage显式包装一个这样的策略，FilteredTextRenderListener限制它接收单列区域的文本只要; 在你的情况下：

    Rectangle left = new Rectangle(0, 0, 306, 792);
Rectangle right = new Rectangle(306, 0, 612, 792);
RenderFilter leftFilter = new RegionTextRenderFilter(left);
RenderFilter rightFilter = new RegionTextRenderFilter(right);
[...]
TextExtractionStrategy strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), leftFilter);
original_content = PdfTextExtractor.getTextFromPage(reader, 2, strategy);
originalContent += " ";
strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), rightFilter);
original_content += PdfTextExtractor.getTextFromPage(reader, 2, strategy);
于 2012-11-12T08:23:13.567 回答