Java 从PDF中提取具有字符串位置的所有文本

这似乎是一个老生常谈的问题，但我花了半个小时到处搜索，却没有找到一个详尽的答案

我正在使用PDFBox，我想从PDF文件中提取所有文本以及每个字符串的坐标。我使用的是他们的

PrintTextLocations

example（），但对于我使用的那种pdf（电子票据），程序无法识别字符串，无法分别打印每个字符。输出是一个字符串列表（每个字符串表示

TextPosition

对象），如下所示：

String[414.93896,637.2442 fs=1.0 xscale=8.0 height=4.94 space=2.2240002 width=4.0] s
String[418.93896,637.2442 fs=1.0 xscale=8.0 height=4.94 space=2.2240002 width=4.447998] a
String[423.38696,637.2442 fs=1.0 xscale=8.0 height=4.94 space=2.2240002 width=1.776001] l
String[425.16296,637.2442 fs=1.0 xscale=8.0 height=4.94 space=2.2240002 width=4.447998] e

虽然我希望程序将字符串“sale”识别为唯一的

TextPosition

，并给出其位置。

---

我还尝试使用

setPacingTolerance（）

和

setAverageCharacterTolerance（）

PDFTextStripper

方法，在标准值上方和下方设置不同的值（参考值分别为0.5和0.3），但输出根本没有改变。我哪里做错了？提前谢谢。

正如Joey提到的，PDF只是一组说明，告诉你某个字符应该打印在哪里

为了提取单词或行，您必须执行一些数据分割：研究字符的边界框可以让您识别出那些在同一行上的字符，然后是哪一行形成单词。

以下是您的解决方案： 1.读取文件 2.使用PDFParserTextStripper将每个页面提取为文本 3.文本的每个位置都将以字符打印

import java.io.ByteArrayOutputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStreamWriter;
import java.io.Writer;
import java.util.List;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;
class PDFParserTextStripper extends PDFTextStripper {
    public PDFParserTextStripper(PDDocument pdd) throws IOException {
        super();
        document = pdd;
    }
    public void stripPage(int pageNr) throws IOException {
        this.setStartPage(pageNr + 1);
        this.setEndPage(pageNr + 1);
        Writer dummy = new OutputStreamWriter(new ByteArrayOutputStream());
        writeText(document, dummy); // This call starts the parsing process and calls writeString repeatedly.
    }
    @Override
    protected void writeString(String string, List<TextPosition> textPositions) throws IOException {
        for (TextPosition text : textPositions) {
            System.out.println("String[" + text.getXDirAdj() + "," + text.getYDirAdj() + " fs=" + text.getFontSizeInPt()
                    + " xscale=" + text.getXScale() + " height=" + text.getHeightDir() + " space="
                    + text.getWidthOfSpace() + " width=" + text.getWidthDirAdj() + " ] " + text.getUnicode());
        }
    }
    public static void extractText(InputStream inputStream) {
        PDDocument pdd = null;
        try {
            pdd = PDDocument.load(inputStream);
            PDFParserTextStripper stripper = new PDFParserTextStripper(pdd);
            stripper.setSortByPosition(true);
            for (int i = 0; i < pdd.getNumberOfPages(); i++) {
                stripper.stripPage(i);
            }
        } catch (IOException e) {
            // throw error
        } finally {
            if (pdd != null) {
                try {
                    pdd.close();
                } catch (IOException e) {
                }
            }
        }
    }
    public static void main(String[] args) throws IOException {
        File f = new File("C://PDFLOCATION//target.pdf");
        FileInputStream fis = null;
        try {
            fis = new FileInputStream(f);
            extractText(fis);
        } catch (IOException e) {
            e.printStackTrace();
        } finally {
            try {
                if (fis != null)
                    fis.close();
            } catch (IOException ex) {
                ex.printStackTrace();
            }
        }
    }
}

import java.io.ByteArrayOutputStream；
导入java.io.File；
导入java.io.FileInputStream；
导入java.io.IOException；
导入java.io.InputStream；
导入java.io.OutputStreamWriter；
导入java.io.Writer；
导入java.util.List；
导入org.apache.pdfbox.pdmodel.PDDocument；
导入org.apache.pdfbox.text.PDFTextStripper；
导入org.apache.pdfbox.text.TextPosition；
类PDFParserTextStripper扩展了PDFTextStripper{
公共PDFParserTextStripper（PDDocument pdd）引发IOException{
超级（）；
文件=pdd；
}
public void stripPage（int pageNr）引发IOException{
本.设置起始页（第n+1页）；
此.setEndPage（第1页+1页）；
Writer dummy=newoutputstreamwriter（newbytearrayoutputstream（））；
writeText（document，dummy）；//此调用启动解析过程并重复调用writeString。
}
@凌驾
受保护的void writeString（字符串、列表textPositions）引发IOException{
用于（文本位置文本：文本位置）{
System.out.println（“字符串[”+text.getXDirAdj（）+”，“+text.getYDirAdj（）+”fs=“+text.getFontSizeInput（））
+“xscale=“+text.getXScale（）+”height=“+text.getHeightDir（）+”space=”
+text.getWidthOfSpace（）+“width=“+text.getWidthDirAdj（）+”]“+text.getUnicode（））；
}
}
公共静态void提取器文本（InputStream InputStream）{
pdd文件pdd=null；
试一试{
pdd=PDDocument.load（inputStream）；
PDFParserTextStripper剥离器=新PDFParserTextStripper（pdd）；
脱扣器。设置端口BYPOSITION（真）；
对于（int i=0；i

啊，PDF的乐趣。根据创建它的原因，很可能»text«只是某些位置的一组字形，因此您必须根据位置进行猜测，以找出单词和空格的位置。谢谢您的回答。这就是我最后要做的：为每个PDF“模板”创建一组矩形，并应用这些矩形根据位置提取部分文本。这将需要进行大量的手动维护，但这似乎是唯一可靠的方法。请添加一个解释，说明您是如何得出此结果的。该代码与PrintTextLocations示例类似。概念完全相同。