Java：Apache PDFbox 提取突出显示的文本

Question

我正在使用 Apache PDFbox 库从 PDF 文件中提取突出显示的文本（即黄色背景）。我对这个库完全陌生，不知道其中的哪个类用于此目的。 到目前为止，我已经使用以下代码从 cmets 中提取了文本。

PDDocument pddDocument = PDDocument.load(new File("test.pdf"));
    List allPages = pddDocument.getDocumentCatalog().getAllPages();
    for (int i = 0; i < allPages.size(); i++) {
    int pageNum = i + 1;
    PDPage page = (PDPage) allPages.get(i);
    List<PDAnnotation> la = page.getAnnotations();
    if (la.size() < 1) {
    continue;
    }
    System.out.println("Total annotations = " + la.size());
    System.out.println("\nProcess Page " + pageNum + "...");
    // Just get the first annotation for testing
    PDAnnotation pdfAnnot = la.get(0); 
    System.out.println("Getting text from comment = " + pdfAnnot.getContents());

现在我需要获取突出显示的文本，任何代码示例都将受到高度赞赏。

Answer 1

我希望这个答案能帮助所有面临同样问题的人。

// PDF32000-2008
// 12.5.2 Annotation Dictionaries
// 12.5.6 Annotation Types
// 12.5.6.10 Text Markup Annotations
@SuppressWarnings({ "unchecked", "unused" })
public ArrayList<String> getHighlightedText(String filePath, int pageNumber) throws IOException {
    ArrayList<String> highlightedTexts = new ArrayList<>();
    // this is the in-memory representation of the PDF document.
    // this will load a document from a file.
    PDDocument document = PDDocument.load(filePath);
    // this represents all pages in a PDF document.
    List<PDPage> allPages =  document.getDocumentCatalog().getAllPages();
    // this represents a single page in a PDF document.
    PDPage page = allPages.get(pageNumber);
    // get  annotation dictionaries
    List<PDAnnotation> annotations = page.getAnnotations();

    for(int i=0; i<annotations.size(); i++) {
        // check subType 
        if(annotations.get(i).getSubtype().equals("Highlight")) {
            // extract highlighted text
            PDFTextStripperByArea stripperByArea = new PDFTextStripperByArea();

            COSArray quadsArray = (COSArray) annotations.get(i).getDictionary().getDictionaryObject(COSName.getPDFName("QuadPoints"));
            String str = null;

            for(int j=1, k=0; j<=(quadsArray.size()/8); j++) {

                COSFloat ULX = (COSFloat) quadsArray.get(0+k);
                COSFloat ULY = (COSFloat) quadsArray.get(1+k);
                COSFloat URX = (COSFloat) quadsArray.get(2+k);
                COSFloat URY = (COSFloat) quadsArray.get(3+k);
                COSFloat LLX = (COSFloat) quadsArray.get(4+k);
                COSFloat LLY = (COSFloat) quadsArray.get(5+k);
                COSFloat LRX = (COSFloat) quadsArray.get(6+k);
                COSFloat LRY = (COSFloat) quadsArray.get(7+k);

                k+=8;

                float ulx = ULX.floatValue() - 1;                           // upper left x.
                float uly = ULY.floatValue();                               // upper left y.
                float width = URX.floatValue() - LLX.floatValue();          // calculated by upperRightX - lowerLeftX.
                float height = URY.floatValue() - LLY.floatValue();         // calculated by upperRightY - lowerLeftY.

                PDRectangle pageSize = page.getMediaBox();
                uly = pageSize.getHeight() - uly;

                Rectangle2D.Float rectangle_2 = new Rectangle2D.Float(ulx, uly, width, height);
                stripperByArea.addRegion("highlightedRegion", rectangle_2);
                stripperByArea.extractRegions(page);
                String highlightedText = stripperByArea.getTextForRegion("highlightedRegion");

                if(j > 1) {
                    str = str.concat(highlightedText);
                } else {
                    str = highlightedText;
                }
            }
            highlightedTexts.add(str);
        }
    }
    document.close();

    return highlightedTexts;
}

Answer 2

Not able to read the exact text highlighted across the lines 问题中的代码已经说明了用于从 PDFBox 页面上的有限内容区域中提取文本的大多数概念。

研究了这段代码，OP 还在评论中疑惑：

但我感到困惑的一件事是 QuadPoints 而不是 Rect。正如你在评论中提到的那样。这是什么，能不能用一些代码行或者简单的语言来解释一下，因为我也面临着多行高亮的问题？

通常注释所指的区域是一个矩形：

Rect矩形（必需）注释矩形，以默认用户空间单位定义页面上注释的位置。

（来自表 164 - 所有注释词典通用的条目 - 在 ISO 32000-1 中）

对于某些注释类型（例如文本标记），这个位置值是不够的，因为：

• 标记的文本可能会以某种奇怪的角度书写，但规范中提到的 rectangle 类型是指边缘与页面边缘平行的矩形；和
• 要标记的文本可以从一行的任意位置开始，在另一行的任意位置结束，因此标记区域根本不是矩形，而是多个矩形部分的联合。

因此，为了应对此类注释类型，PDF 规范提供了一种更通用的方式来定义区域：

QuadPoints 数组 （必需） 一个 8 × n 数字的数组，指定默认用户空间中 n 个四边形的坐标。每个四边形应包含注释下的文本中的一个单词或一组连续单词。每个四边形的坐标应按顺序给出

x₁ y₁ x₂ y₂ x₃ y3 x₄ y₄

以逆时针顺序指定四边形的四个顶点（参见图 64）。文本应相对于边缘连接点 (x₁, y₁) 和 (x₂, y₂ ）。

（来自表 179 - 特定于文本标记注释的附加条目 - 在 ISO 32000-1 中）

因此，而不是由

给出的矩形

PDRectangle rect = pdfAnnot.getRectangle();

在referenced question的代码中，你必须考虑由给出的四边形

COSArray quadsArray = (COSArray) pdfAnnot.getDictionary().getDictionaryObject(COSName getPDFName("QuadPoints"));

并相应地为PDFTextStripperByArea stripper 定义区域。不幸的是PDFTextStripperByArea.addRegion 需要一个矩形作为参数，而不是一些通用的四边形。由于文本通常水平或垂直打印，这应该不会造成太大问题。

PS 关于 QuadPoints 规范的一个警告，实际 PDF 中的顺序可能会有所不同，参见。问题PDF Spec vs Acrobat creation (QuadPoints)。