PDFBOX，逐行读取pdf并提取文本属性

Question

我正在使用 pdfbox 从 pdf 文件中提取文本。我阅读pdf文档如下

    PDFParser parser = null;
    String text = "";
    PDFTextStripper stripper = null;
    PDDocument pdoc = null;
    COSDocument cdoc = null;
    File file = new File("path");

    try {
        parser = new PDFParser(new FileInputStream(file));
    } catch (IOException e) {
        e.printStackTrace();
    }

    try {
        parser.parse();
        cdoc = parser.getDocument();
        stripper = new PDFTextStripper();
        pdoc = new PDDocument(cdoc);
        stripper.setStartPage(1);
        stripper.setEndPage(2);
        text = stripper.getText(pdoc);
        System.out.println(text);
    } catch (IOException e) {
        e.printStackTrace();
    }

但我想做的是逐行读取文档并从每一行中提取文本属性，例如粗体、斜体。 如何使用 pdfbox 库实现这一目标

Answer 1

从每一行中提取文本属性，例如粗体、斜体。如何使用 pdfbox 库实现这一目标

粗体和斜体等属性不是 PDF 中的一流属性。

Bold 或 italic 在 PDF 中的书写是使用

实现的

• 不同的字体（这是更好的方法）；在这种情况下，可以尝试通过

  来确定字体是粗体还是斜体

  • 查看字体名称：它可能包含子字符串“bold”、“italic”、“oblique”...

  • 查看字体的一些可选属性，例如字体粗细...

  • 检查嵌入的字体文件。

  这些方法都不是万无一失的；或

• 使用与非粗体、非斜体文本相同的字体，但使用特殊技术使其显示为粗体或斜体（又名穷人的粗体），例如

  • 不仅可以填充字形轮廓，还可以沿着它画一条更粗的线，以获得大胆的印象，

  • 绘制字形两次，第二次稍微移位，也是为了给人一种大胆的印象，

  • 使用文本或转换矩阵来倾斜字母以获得斜体印象。

通过相应地使用此类测试覆盖 PDFTextStripper 方法，您可以在 PDF 文本提取期间获得相当不错的样式猜测率。