Java 使用PDFBox获取文本行的位置

我使用PDFBox从pdf中提取信息，而我当前试图查找的信息与行中第一个字符的x位置有关。不过，我找不到任何与如何获取这些信息有关的信息。我知道pdfbox有一个名为TextPosition的类，但我也不知道如何从pdfbox文档中获取TextPosition对象。如何从pdf中获取一行文本的位置信息？

通常 要使用PDFBox提取文本（有或没有位置、颜色等额外信息），请实例化

PDFTextStripper

或从其派生的类，并按如下方式使用：

PDFTextStripper stripper = new PDFTextStripper();
String text = stripper.getText(document);

（有许多

PDFTextStripper

属性允许您限制从中提取文本的页面。）

在执行

getText

的过程中，解析相关页面的内容流（以及从这些页面引用的表单XObject的内容流）并处理文本绘制命令

如果要更改文字提取行为，必须更改此文字绘图命令处理，通常应通过重写此方法来执行此操作：

/**
 * Write a Java string to the output stream. The default implementation will ignore the <code>textPositions</code>
 * and just calls {@link #writeString(String)}.
 *
 * @param text The text to write to the stream.
 * @param textPositions The TextPositions belonging to the text.
 * @throws IOException If there is an error when writing the text.
 */
protected void writeString(String text, List<TextPosition> textPositions) throws IOException
{
    writeString(text);
}

如果您还需要知道新行何时开始，您可能还需要覆盖

/**
 * Write the line separator value to the output stream.
 * @throws IOException
 *             If there is a problem writing out the lineseparator to the document.
 */
protected void writeLineSeparator( ) throws IOException
{
    output.write(getLineSeparator());
}

writeString

可以被重写以将文本信息导入单独的成员（例如，如果您可能希望结果的格式比单纯的

字符串

）更结构化，也可以被重写以向结果

字符串

中简单地添加一些额外信息

writeLineSeparator

可以被重写以触发行之间的某些特定输出

有更多的方法可以被重写，但通常您不太可能需要它们

---

在本案中 我使用PDFBox从pdf中提取信息，而我当前试图查找的信息与行中第一个字符的x位置有关

这可以按如下方式实现（只需在每行开头添加信息）：

PDFTextStripper剥离器=新的PDFTextStripper（）
{
@凌驾
受保护的无效起始页（PDPage页）引发IOException
{
startOfLine=true；
超级起始页（第页）；
}
@凌驾
受保护的void writeLineSeparator（）引发IOException
{
startOfLine=true；
super.writelineparator（）；
}
@凌驾
受保护的void writeString（字符串文本、列表文本位置）引发IOException
{
if（startOfLine）
{
TextPosition firstProsition=textPositions.get（0）；
writeString（String.format（[%s]”，firstProssion.getXDirAdj（））；
startOfLine=false；
}
super.writeString（文本、文本位置）；
}
布尔startOfLine=true；
};
text=stripper.getText（文档）；

---

（方法

extractLineStart

由

testExtractLineStartFromSampleFile

测试）

有多个示例显示如何从文档中获取

TextPosition

对象，例如，在“一般过程”和“PDFBox问题”一节中。这个问题已经解决了。@mkl writeString的名称是什么？它是受保护的，所以它可能是从TextStripper中的另一个方法中调用的，但我不确定是哪个方法。我在下一个答案中尝试了关于charactersByArticle的解决方案，但结果得到的向量为空。writeString是如何调用的？您将

PDFTextStripper

实例应用于文档，该实例一次又一次地调用

writeString

。我在下一个答案中尝试了该解决方案，关于charactersByArticle-这仅适用于PDF，其中包含分隔文档中多个项目的某些附加元信息。如果您的PDF没有此类信息，

charactersByArticle

将无济于事。对不起，我对PDF是全新的，我觉得您引用的是您认为我应该知道但我不知道的内容。你说对我的文档应用一个PDFTextStripper实例就可以了，但我该怎么做呢？我试着调用startDocument和getText，它们都没有用新的writeString方法运行代码。这个答案对我帮助很大。我在调用getText之前也发现了问题，在我知道扩展PDFTextStripper之前，我自己就已经加入了一个getText函数，这使得它无法调用新的writeString函数。谢谢@Beez你能分享你的代码吗？我也遇到了这类问题。我想将文本（以“http”或“https”开头）的颜色从蓝色改为黑色。

PDFTextStripper stripper = new PDFTextStripper()
{
    @Override
    protected void startPage(PDPage page) throws IOException
    {
        startOfLine = true;
        super.startPage(page);
    }

    @Override
    protected void writeLineSeparator() throws IOException
    {
        startOfLine = true;
        super.writeLineSeparator();
    }

    @Override
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException
    {
        if (startOfLine)
        {
            TextPosition firstProsition = textPositions.get(0);
            writeString(String.format("[%s]", firstProsition.getXDirAdj()));
            startOfLine = false;
        }
        super.writeString(text, textPositions);
    }
    boolean startOfLine = true;
};

text = stripper.getText(document);