java - 使用 pdfclown 从特定区域提取

Question

我正在尝试用两列突出显示 PDF 中的文本，但问题是提取器会明智地提取文本行。所以查询的文本没有得到匹配。我在想是否有一些功能pdfclown可以帮助我提取页面的前半部分，即第一列，然后可能通过选择区域来提取第二列。

谢谢。

Answer 1

当您谈论使用 PDF Clown 进行文本提取时，我假设您正在使用该TextExtractor库的类。

此类提供了许多有助于限制解析区域的属性：

public void setAreas(List<Rectangle2D> value);
public void setAreaTolerance(double value);
public void setAreaMode(AreaModeEnum value);

setAreas允许您设置要从中提取文本的页面区域，setAreaTolerance允许您为这些区域添加一些容差（本质上是在各个方向上按此值放大区域），并setAreaMode用于控制该区域是否必须包含字符串( Containment)或只需要与要包含在扫描结果中的区域( ) 相交。Intersection

这些属性是如何工作的，可以在TextExtractor方法中见证

public Map<Rectangle2D,List<ITextString>> filter(
    List<? extends ITextString> textStrings,
    Rectangle2D... areas
);

它过滤页面上所有文本字符串的列表。