获取 PDF 中的确切字符串位置

Question

我试图读取一个流并希望得到每个字符串的确切位置（坐标）

    int size = reader.getXrefSize();

    for (int i = 0; i < size; ++i)
    {
        PdfObject pdfObject = reader.getPdfObject(i);
        if ((pdfObject == null) || !pdfObject.isStream())
            continue;

        PdfStream stream = (PdfStream) pdfObject;
        PdfObject obj = stream.get(PdfName.FILTER);

        if ((obj != null) && obj.toString().equals(PdfName.FLATEDECODE.toString()))
        {
            byte[] codedText = PdfReader.getStreamBytesRaw((PRStream) stream);
            byte[] text = PdfReader.FlateDecode(codedText);
            FileOutputStream o = new FileOutputStream(new File("/home..../Text" + i + ".txt"));
            o.write(text);
            o.flush();
            o.close();
        }

    }

我居然得到了这样的职位

......
BT                  
70.9 800.9 Td /F1 14 Tf <01> Tj 
10.1 0 Td <02> Tj               
9.3 0 Td <03> Tj
3.9 0 Td <01> Tj
10.1 0 Td <0405> Tj
18.7 0 Td <060607> Tj
21 0 Td <08090A07> Tj
24.9 0 Td <05> Tj
10.1 0 Td <0B0C0D> Tj
28.8 0 Td <0E> Tj
3.8 0 Td <0F> Tj
8.6 0 Td <090B1007> Tj
29.5 0 Td <0B11> Tj
16.4 0 Td <12> Tj
7.8 0 Td <1307> Tj
12.4 0 Td <14> Tj
7.8 0 Td <07> Tj
3.9 0 Td <15> Tj
7.8 0 Td <16> Tj
7.8 0 Td <07> Tj
3.9 0 Td <17> Tj
10.8 0 Td <0D> Tj
7.8 0 Td <18> Tj
10.9 0 Td <19> Tj
ET
.....

但我不知道哪个字符串适合哪个位置 另一方面，在 Itext 中，我可以使用

获取纯文本

PdfReader reader = new PdfReader(new FileInputStream("/home/....xxx.pdf"));
PdfTextExtractor extract = new PdfTextExtractor(reader);

但当然完全没有任何职位......

那么我怎样才能得到每个 text(string,char,...) 的确切位置呢？

Answer 1

正如 plinth 和 David van Driessche 在他们的回答中已经指出的那样，从 PDF 文件中提取文本并非易事。幸运的是，iText 解析器包中的类为您完成了大部分繁重的工作。你已经从那个包中找到了至少一个类，PdfTextExtractor,但是如果你只对页面的纯文本感兴趣，那么这个类本质上是一个使用 iText 解析器功能的便利实用程序。在您的情况下，您必须更深入地查看该包中的类。

从iText in Action — 2nd Edition 的第 15.3 节解析 PDF 中获取有关使用 iText 提取文本的信息的起点，尤其是示例ParsingHelloWorld.java 的方法extractText：

public void extractText(String src, String dest) throws IOException
{
    PrintWriter out = new PrintWriter(new FileOutputStream(dest));
    PdfReader reader = new PdfReader(src);
    RenderListener listener = new MyTextRenderListener(out);
    PdfContentStreamProcessor processor = new PdfContentStreamProcessor(listener);
    PdfDictionary pageDic = reader.getPageN(1);
    PdfDictionary resourcesDic = pageDic.getAsDict(PdfName.RESOURCES);
    processor.processContent(ContentByteUtils.getContentBytesForPage(reader, 1), resourcesDic);
    out.flush();
    out.close();
}

利用RenderListenerimplementation MyTextRenderListener.java:

public class MyTextRenderListener implements RenderListener
{
    [...]

    /**
     * @see RenderListener#renderText(TextRenderInfo)
     */
    public void renderText(TextRenderInfo renderInfo) {
        out.print("<");
        out.print(renderInfo.getText());
        out.print(">");
    }
}

虽然 thisRenderListenerimplementation 仅输出文本，但它检查的 TextRenderInfo 对象提供了更多信息：

public LineSegment getBaseline();    // the baseline for the text (i.e. the line that the text 'sits' on)
public LineSegment getAscentLine();  // the ascentline for the text (i.e. the line that represents the topmost extent that a string of the current font could have)
public LineSegment getDescentLine(); // the descentline for the text (i.e. the line that represents the bottom most extent that a string of the current font could have)
public float getRise()             ; // the rise which  represents how far above the nominal baseline the text should be rendered

public String getText();             // the text to render
public int getTextRenderMode();      // the text render mode
public DocumentFont getFont();       // the font
public float getSingleSpaceWidth();  // the width, in user space units, of a single space character in the current font

public List<TextRenderInfo> getCharacterRenderInfos(); // details useful if a listener needs access to the position of each individual glyph in the text render operation

因此，如果你的RenderListener除了使用getText()检查文本之外，还考虑getBaseline()或者甚至getAscentLine()和getDescentLine().，你就有了你可能需要的所有坐标。

PS：ParsingHelloWorld.extractText()，PdfReaderContentParser中的代码有一个包装类，它允许您在给定aPdfReader reader,anint page,和a@987654341的情况下简单地编写以下代码@

PdfReaderContentParser parser = new PdfReaderContentParser(reader);
parser.processContent(page, renderListener);

Answer 2

如果您尝试进行文本提取，您应该知道这绝对是一个不平凡的过程。您至少必须实现一台 RPN 机器来运行代码并累积转换并执行所有文本运算符。您将需要从当前页面资源集解释字体指标，并且您可能需要了解文本编码。

当我使用 Acrobat 1.0 时，我负责“查找...”命令，该命令将您的问题作为子集包含在内。有了更丰富的工具集和更多的专业知识，我们花了几个月的时间才把它做好。

Answer 3

如果您想了解 Tj 运算符所看到的字节，请查看 PDF 规范： http://www.adobe.com/content/dam/Adobe/en/devnet/acrobat/pdfs/PDF32000_2008.pdf

更具体地说 - 请参阅第 9.4.3 节。解释该部分 - 必须在用于绘制文本的字体中查找每个字节或可能的多个字节序列（在您的示例中，字体被标识为 /F1）。通过查找，您会发现此代码所指的实际字符。

另外请记住，您在此处看到这些文本命令的顺序可能根本不反映自然阅读顺序，因此您必须根据您找到的位置找出这些字符的实际正确顺序是什么.

另外请记住，您的 PDF 文件可能不包含例如空格。由于可以通过简单地将下一个字符向右移动一点来“伪造”空格，因此某些 PDF 生成器会省略空格。但是在坐标中找到一个间隙可能不是一个单词中断。例如，它也可以是列的结尾。

这真的非常难——尤其是如果您尝试在通用 PDF 文件上执行此操作（而不是您知道总是来自同一来源的少数布局）。很久以前，我为一个名为 PitStop Pro 的产品编写了一个 PDF 文本编辑器，该产品仍然存在（不再附属于它），这是一个非常困难的问题。

如果可以，请尝试使用现有的库或工具。这样的库或工具肯定有商业选择；我对开源/免费库不太熟悉，因此无法对此发表评论。