1

我是 Apache PDFBox 库的新手。

我想将字体信息映射到 PDF 段落

我已经通过 Questios如何使用 pdfbox 提取文本内容的字体样式？

但它没有提供关于哪个段落以哪种字体书写的信息。

例如，如果我的页面包含文本：

第 1 段：宋体

para2：新罗马时代

然后我应该能够得到 para1 是用 Arial 写的而 para2 是用 Times New Roman 写的信息。

上述问题中提出的解决方案给出了 PDF 页面仅包含的信息

arial 和 时代 新 罗马 .

4

2 回答 2

2

您使用的PDFTextStripper类记录在案（参见它的 JavaDoc 注释），如下所示：

* This class will take a pdf document and strip out all of the text and ignore the
* formatting and such.

因此，要获取特定的字体信息，您必须对其进行一些更改。

字体信息在这个类中一直可用，只有在输出一行时才被丢弃，看看它的来源：

protected void writePage() throws IOException
{
    [...]
    for( int i = 0; i < charactersByArticle.size(); i++)
    {
        [...]
        List<TextPosition> line = new ArrayList<TextPosition>();
        [...]
        while( textIter.hasNext() )
        {
            [...]
            if( lastPosition != null )
            {
                [...]
                if(!overlap(positionY, positionHeight, maxYForLine, maxHeightForLine))
                {
                    writeLine(normalize(line,isRtlDominant,hasRtl),isRtlDominant);
                    line.clear();
                    [...]
                }
............

该TextPosition列表中的实例line仍然具有所有可用的格式信息，其中包括使用的字体，只是在“规范化”line时它被简化为纯字符。

因此，要保留字体信息，您有不同的选择，具体取决于您要如何检索字体信息：

  • 如果您想通过以下方式继续在单个字符串中检索所有页面内容信息（包括字体）getText：您更改方法

    private List<String> normalize(List<TextPosition> line, boolean isRtlDominant, boolean hasRtl)

    在字体更改时包含您选择的一些字体标签（例如[Arial]）。不幸的是，这种方法是私有的。因此，您必须复制整个PDFTextStripper类并更改副本的代码。

  • 如果您想以不同的结构（例如 as List<List<TextPosition>>）检索特定的字体信息，您可以从 派生您自己的剥离器类PDFTextStripper，添加一些您想要的类型的变量，并覆盖上面提到的protected方法writePage，复制它并仅在之前或之后增强它线

    writeLine(normalize(line,isRtlDominant,hasRtl),isRtlDominant);

    使用代码将信息添加到新变量中。例如

    public class MyPDFTextStripper extends PDFTextStripper
{
    public List<List<TextPosition>> myLines = new ArrayList<List<TextPosition>>();
    [...]
                if(!overlap(positionY, positionHeight, maxYForLine, maxHeightForLine))
                {
                    writeLine(normalize(line,isRtlDominant,hasRtl),isRtlDominant);
                    myLines.add(new ArrayList<TextPosition>(line));
                    line.clear();
                    [...]
                }

    现在您可以调用getText您的实例MyPDFTextStripper，检索纯文本作为结果，并通过新变量访问附加数据

于 2013-11-21T10:03:09.047 回答
0

要添加更多字体，而不是库字体，因此您需要专门添加字体文件。

于 2013-11-21T07:38:59.640 回答