object - 如何使用 pdfbox 获取 pdf 的最大字体大小

Question

1. 我使用 pdfbox 从 pdf 中提取一些信息，但是如何提取每个对象的信息？如果其中之一包含流，我如何解码流以显示？

2. 我可以从 pdf 框中获得最大字体大小吗？我想如果我可以得到每个对象的字体大小并对它们进行排序，那么我会得到具有最大字体大小的对象？

Answer 1

我使用 pdfbox 提取 pdf 的一些信息。但是如何提取每个对象的信息。如果其中一个包含流，我如何解码流以显示。

如果每个对象是指作为页面内容的一部分绘制的所有内容，则这些对象包含在页面内容流和引用的 Xobject 流中。PDFStreamEngine您可以使用从该类派生的解析器来解析这些流。

该类已经完成了大部分繁重的工作，例如从流中检索单个操作、管理图形状态堆栈等。但是，您必须为绘制您感兴趣的对象的操作提供一些回调。

要了解如何正确扩展该类，请查看 PDFBox 提供的一些子类，例如PDFTextStripper、PDFMarkedContentExtractor或PageDrawer。

我可以从 pdf 框中获得最大字体大小吗？我想如果我能得到每个对象的字体大小并对它们进行排序，那么我会得到具有最大字体大小的对象？

实际上，您可以使用上述PDFTextStripper或更准确地说，您可以使用从它派生的类。文本剥离器原样主要返回纯文本，但您可以覆盖其某些方法并获取带有附加信息的文本。

例如，您可以覆盖writeString(String text, List<TextPosition> textPositions). 它的标准实现只使用text, 即提取的纯文本，但您可以检查textPositions, 即带有额外信息的文本，其中包括位置和大小。

这个答案显示了如何覆盖PDFTextStripper.writeString获取访问字体名称。同样，您可以访问字体大小。请注意，有两种TextPosition方法可以做到这一点，getFontSize和getFontSizeInPt，您实际上可能还需要另一种尺寸。

编辑

在评论中，OP问

我怎样才能开始使用 PDFSteamEngine？？？

如上所述，看看 PDFBox 提供的一些子类。最突出的肯定是PDFTextStripper.

最简单的PDFTextStripper用法如下所示：

PDFTextStripper stripper = new PDFTextStripper();
stripper.setSortByPosition(true);

PDDocument document = PDDocument.load(PDF_DOCUMENT);
String text = stripper.getText(document);
document.close();

这仅提取文档的纯文本。对于更专业的任务，请查看以下示例用法：

• ExtractTextByArea.java - 有关如何从 PDF 文档的特定区域提取文本的 PDFBox 示例
• PrintTextLocations.java - 关于如何获取文本的一些 x/y 坐标的 PDFBox 示例
• 使用 PDFBox 获取每行的字体- stackoverflow 答案说明如何使用字体信息提取文本
• 使用 PDFBOX 根据 PDF 中的输出识别文本- stackoverflow 答案说明如何使用颜色信息提取文本
• 如何使用 PDFBOX 确定文本的人工粗体样式、人工斜体样式和人工轮廓样式- stackoverflow 答案说明如何提取识别某些人工样式的文本
• 使用 PDFBOX 提取表格数据的 PDF 文件- stackoverflow 回答说明了如何提取试图在输出中反映 PDF 文件布局的文本
• How to check if a text is transparent with pdfbox - stackoverflow answer说明如何仅提取某些图像未覆盖的文本

PDFStreamEngine和其他子类的更多使用示例：

• PrintImageLocations.java - 关于如何获取图像位置的 x/y 坐标的 PDFBox 示例，PDFStreamEngine直接基于
• 使用 PDFBox 从 PDF 中获取可见签名？- stackoverflow 答案说明了如何绘制注释，尤其是签名可视化，基于PageDrawer

如何从 PDF 中获取文本位置？？？

正如我原来的回答中提到的，使用 aPDFTextStripper和override writeString(String text, List<TextPosition> textPositions)。它的标准实现只使用text, 即提取的纯文本，但您可以检查textPositions, 即带有额外信息的文本，其中包括位置和大小。