我是pdfbox新手,我想提取与某些特定单词匹配的段落,并且我能够将整个pdf提取到文本(记事本),但我不知道如何将特定段落提取到我的java程序中。任何人都可以帮助我至少一些教程或示例吗?非常感谢
PDF 文档中的文本是绝对定位的。因此,只有绝对定位的字符,而不是单词、行和段落。
假设您有一个段落:
Neque porro quisquam est qui dolorem ipsum quia dolor sat amet,consectetur,adipisci velit
粗略地说,在 PDF 文件中,它会在某个位置表示为字符
N
、稍微靠右一点的 e
、q
、u
、更靠右的 e
等等
PDFBox 尝试猜测字符如何组成单词、线条和段落。因此,它将在大约相同的垂直位置查找大量字符,查找彼此靠近且相似的字符组,以尝试找到您需要的内容。它通过从整个页面中提取文本,然后逐个字符地处理它来创建文本(它也可以尝试从页面内的一个矩形区域中提取文本)来实现这一点。请参阅相应的类 PDFTextStripper (或 PDFTextStripperByArea)。有关用法,请参阅 PDFBox 源代码中的
ExtractText.java
。
这意味着您无法使用 PDFBox 轻松提取段落。这也意味着 PDFBox 在提取文本时可能并且有时会丢失(有很多非常不同的 PDF 文档)。
您可以做的是从整个页面中提取文本,然后尝试通过搜索该文本找到您的段落。 正则表达式通常非常适合此类任务(在 Java 中可以通过 Pattern 和 Matcher 类,或 String 类上的便捷方法来使用)。
public static void main(String[] args) throws InvalidPasswordException, IOException {
File file = new File("File Path");
PDDocument document = PDDocument.load(file);
PDFTextStripper pdfStripper = new PDFTextStripper();
pdfStripper.setParagraphStart("/t");
pdfStripper.setSortByPosition(true);
for (String line: pdfStripper.getText(document).split(pdfStripper.getParagraphStart()))
{
System.out.println(line);
System.out.println("********************************************************************");
}
}
请大家尝试一下上面的代码。这对于 PDFBox-2.0.8 Jar 来说肯定有效
我使用以下方法检测到了段落的开头。逐行阅读页面。对于每行:-
希望这有帮助。
提取文本后,可以考虑以下几点以编程方式构建段落:
所有以小写字母开头的行都应与前一行连接。但以大写字母开头的行也可能需要与前一行连接。例如:用于引用的表达式。
.,?,!," 包含这些字符的结束行可能是段落的结尾。并非总是如此。
如果以编程方式确定了一个段落,则测试它是否有偶数个引号。这可能是简单的双引号或 Unicode 双开双引号。
您可以先使用pdfbox getText函数来获取文本。每行都以 ' 结尾 ';所以你不能简单地用“分割段落” ”。如果一行满足以下条件:
line.length() > 2 && (int)line.charAt(line.length()-2) == 32
那么这一行就是该段落的最后一行。这里 32 是 unicode 值。
private static String getParagraphs(String filePath, int linecount) throws IOException {
ParagraphDetector paragraphDetector = new ParagraphDetector();
StringBuilder extracted = new StringBuilder();
LineIterator it = IOUtils.lineIterator(new BufferedReader(new FileReader(filePath)));
int i = 0;
String line;
for (int lineNumber = 0; it.hasNext(); lineNumber++) {
line = (String) it.next();
if (lineNumber == linecount) {
for (int j = 0; it.hasNext(); j++) {
extracted.append((String) it.next());
}
}
}
return paragraphDetector.SentenceSplitter(extracted.toString());
}