在 PDFBox 中按顺序阅读段落

Question

我正在尝试使用 PDFBox 解析期刊页面。这是我正在使用的代码的 sn-p：

try (PDDocument document = PDDocument.load(new File("myfile.pdf"))) {

    if (!document.isEncrypted()) {

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

        PDFTextStripper tStripper = new PDFTextStripper();
        tStripper.setParagraphEnd("\n");

        String pdfFileInText = tStripper.getText(document);

        String output = "";

        String lines[] = pdfFileInText.split("\\r?\\n");
        for (String line : lines) {
            output += line + "\n";
        }

    }

}

问题是，即使我得到的段落没问题，它们的显示顺序完全是随机的。我需要以自然顺序（从上到下，从左到右）获取段落，但 PDFBox 似乎无缘无故地从页面的一侧跳到另一侧。我的原始 PDF 文件还包含随机位置的图像，我认为这可能与此有关。

以下是未按顺序阅读的 PDF 示例：

这就是我从那个样本中得到的：

GALIZA>2-3
Analizamos os programas de PSOE, PP, 
En Común-Unidas Podemos e do BNG

> Na Galiza hai case 15 librarías por cada 
100.000 habitantes

> Só o 26% das persoas propietarias son 
mulleres, fronte ao 74% de homes 

A media de 
traballadoras dunha 
libraría e de 3,5

TRABALLO>15
Día das Librarías

As oito 
medidas 
electorais 
para Galiza

有没有办法让段落按自然顺序排列？

Answer 1

这对你有用吗？

        PDDocument document = PDDocument.load(new File("myfile.pdf"));
        PDFTextStripper stripper = new PDFTextStripper();
        stripper.setSortByPosition(true);
        ObjectMapper objectMapper = new ObjectMapper();

        for (int p = 0; p <= document.getNumberOfPages(); p++) {
            stripper.setStartPage(p);
            stripper.setEndPage(p);
            String text = stripper.getText(document);
            System.out.println(text);
        }

可能没有使用使用启发式算法的PDFTextStripperByArea。只是获取文本然后格式化它？你能试试这个吗？

正如我在 cmets 中所说，不直接查看 pdf 很难评估