使用 PDF Clown 检测 PDF 表格中的标题和边框

Question

我正在使用 PDF Clown 的 TextInfoExtractionSample 将 PDF 表格提取到 Excel 中，除了合并的单元格之外，我能够做到这一点。在下面的代码中，对于对象“内容”，我将扫描的内容视为文本、XObject、ContainerObject，但没有边框。任何人都知道什么对象代表 PDF 表格中的边框或如何检测文本是否是表格的标题？

   private void Extract(ContentScanner level, PrimitiveComposer composer)
   {
      if(level == null)
        return;
      while(level.MoveNext())
      {
        ContentObject content = level.Current;
      }
    }

Answer 1

我正在使用 PDF Clown 的TextInfoExtractionSample...

在下面的代码中，对于对象“内容”，我将扫描的内容视为文本、XObject、ContainerObject，但没有边框。

while(level.MoveNext())
{
    ContentObject content = level.Current;
}

A) 访问所有内容

在您的循环代码中，您从原始示例中删除了非常重要的块，

    if(content is XObject)
    {
        // Scan the external level!
        Extract(((XObject)content).GetScanner(level), composer);
    }

和

    if(content is ContainerObject)
    {
        // Scan the inner level!
        Extract(level.ChildLevel, composer);
    }

这些块将示例递归变成复杂的对象（你提到的XObject、ContainerObject），这些对象又包含它们自己的简单内容。

B) 检查所有内容

谁知道什么对象代表PDF表格中的边框

不幸的是，PDF 内容中没有像 border 属性 这样的东西。相反，边框是独立的对象，通常是矢量图形，可以是线条，也可以是非常细的矩形。

因此，在扫描页面内容时（递归，如 A 所示），您将不得不寻找包含

的 Path 实例（命名空间 org.pdfclown.documents.contents.objects）

• moveTo m、lineTo l 和 stroke S 操作或
• rectangle re 和 fill f 操作。

（This answer 可能会有所帮助）

当你遇到这样的台词时，你将不得不解释它们。这些线条可能是边框，但它们也可以用作下划线、页面装饰......

如果 PDF 恰好被标记，事情可能会更容易一些，因为您需要解释的更少。相反，您可以阅读标记信息，这些信息可能会告诉您单元格的开始和结束位置，因此您无需解释图形线。不幸的是，被标记的 PDF 比没有标记的要少。

或者如何检测一个文本是否是表格的表头？

就像上面一样，除非您碰巧检查了带标签的 PDF，否则不会立即告诉您某些文本是表格标题。你必须再次解释。该文本是否在您决定形成表格的行之外？是在里面吗？还是就在里面的任何地方？它是用特定字体绘制的吗？还是更大？颜色不一样？等等。