如何使用pdfbox从pdf中提取粗体文本？

Question

我正在使用 Apache pdfbox 来提取文本。我可以从pdf中提取文本，但我不知道如何知道这个词是否是粗体？？？ （代码建议会很好！！！） 这是从 pdf 中提取纯文本的代码，运行良好。

PDDocument document = PDDocument
    .load("/home/lipu/workspace/MRCPTester/test.pdf");
document.getClass();
if (document.isEncrypted()) {
    try {
        document.decrypt("");
    } catch (InvalidPasswordException e) {
        System.err.println("Error: Document is encrypted with a password.");
        System.exit(1);
    }
}

// PDFTextStripperByArea stripper = new PDFTextStripperByArea();
// stripper.setSortByPosition(true);
PDFTextStripper stripper = new PDFTextStripper();
stripper.setStartPage(1);
stripper.setEndPage(2);
stripper.setSortByPosition(true);
String st = stripper.getText(document);

Answer 1

PDFTextStripper 的结果是纯文本。因此，在提取它之后，为时已晚。但是你可以覆盖它的某些方法，只允许根据你的意愿格式化的文本。

如果是PDFTextStripper，您必须覆盖

protected void processTextPosition( TextPosition text )

在您的覆盖中，您检查相关文本是否满足您的要求（TextPosition 包含有关相关文本的大量信息，而不仅仅是文本本身），如果是，请将 TextPosition text 转发到 @987654328 @ 实现。

不过，主要的问题是识别哪个文本是粗体。

粗体的标准可能是字体名称中的单词bold，例如Courier-BoldOblique - 您使用text.getFont() 访问文本的字体，并使用字体的getBaseFont() 方法访问字体的后记名称

String postscriptName = text.getFont().getBaseFont();

标准也可能来自字体描述符——你使用getFontDescriptor方法获得字体的字体描述符，并且字体描述符有一个可选的字体权重值

float fontWeight = text.getFont().getFontDescriptor().getFontWeight();

值定义为

（可选；PDF 1.5；应用于标记的 PDF 文档中的 Type 3 字体）标准字体名称或字体说明符的粗细（粗细）部分。可能的值应为 100、200、300、400、500、600、700、800 或 900，其中每个数字表示至少与其前一个一样暗的权重。值 400 表示正常重量； 700 表示粗体。

这些值的具体解释因字体而异。

一种字体中的示例 300 可能与另一种字体中的 500 最相似。

（表 122，第 9.8.1 节，ISO 32000-1）

可能还有其他提示要检查 bold-ism，例如大线宽

double lineWidth = getGraphicsState().getLineWidth();

渲染模式也画轮廓时：

int renderingMode = getGraphicsState().getTextState().getRenderingMode();

您可能必须尝试使用​​您手头的文件，哪些标准就足够了。