Java 从pdf中获取斜体行

我想从一本有斜体字的pdf书中获取所有行

示例（pdf上的一行是）：

这是狗。

我希望输出为包含斜体文本的所有行。在这种情况下，整行将作为输出

---

我可以使用java或python中的任何解析从pdf中获得它吗？或者在某个地方我会得到这样的行列表。

在玩了一番之后，我想到了以下几点：

如前所述，大多数斜体字体都是通过负斜角来识别的

基于此，我通过扩展

SimpleTextExtractionStrategy

进行了自定义，我将其命名为

ItalicTextExtractionStrategy

，并相应地覆盖了该方法：

import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.PrintWriter;
import java.util.HashSet;
import java.util.LinkedHashMap;
import java.util.Map;
import java.util.Map.Entry;
import java.util.Set;

import com.itextpdf.text.pdf.BaseFont;
import com.itextpdf.text.pdf.DocumentFont;
import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;
import com.itextpdf.text.pdf.parser.SimpleTextExtractionStrategy;
import com.itextpdf.text.pdf.parser.TextRenderInfo;

public class ExtractItalicText {

    final static class ItalicTextExtractionStrategy extends SimpleTextExtractionStrategy {
        @Override
        public void renderText(TextRenderInfo arg0) {
            DocumentFont font = arg0.getFont();
            String[][] familyFontNamesArray = font.getFamilyFontName();
            for(String[] familyFontNames : familyFontNamesArray) {
                for(String familyFontName : familyFontNames) {
                    if(familyFontName.toLowerCase().contains("italic")) {
                        float italicAngle = font.getFontDescriptor(BaseFont.ITALICANGLE,
                                0 /* not relevant for ItalicAngle otherwise 1000 is a good value 
                                     source: http://grepcode.com/file/repo1.maven.org/maven2/com.itextpdf/itextpdf/5.4.2/com/itextpdf/text/pdf/DocumentFont.java#DocumentFont */);
                        if(italicAngle < 0) {
                            super.renderText(arg0);
                        }
                        break;
                    }
                }   
            }
        }
    }

    public static void extractItalicText(String pdf) throws IOException {
        PdfReader reader = null;
        PrintWriter out = null;
        PrintWriter outItalic = null;
        long s = System.currentTimeMillis();
        try {
            System.out.println("Processing: " + pdf + " ...");
            // output for original text including italic styled
            out = new PrintWriter(new FileOutputStream("src/main/resources/" + new File(pdf).getName() + ".txt"));
            // output for italic styled text only
            outItalic = new PrintWriter(new FileOutputStream("src/main/resources/" + new File(pdf).getName() + "_italic.txt"));
            reader = new PdfReader(pdf);
            int numberOfPages = reader.getNumberOfPages();
            for(int pageNumber = 1; pageNumber <= numberOfPages; pageNumber++) {
                // extract italic text
                String pageItalicText = PdfTextExtractor.getTextFromPage(reader, pageNumber, new ItalicTextExtractionStrategy());
                if(pageItalicText.trim().length() > 0) {
                    // we have some italic text in the current page, so we get the hole text of the page
                    // to search for the lines where the italic text is located
                    String textFromPage = PdfTextExtractor.getTextFromPage(reader, pageNumber);
                    String[] textLinesFromPage = textFromPage.split("[\r\n]");

                    // punctuation marks etc. are sometime not part of the italic text, so we need to clean the line
                    // map a cleaned line to a raw line
                    Map<String, String> cleanedtextLines = new LinkedHashMap<String, String>(textLinesFromPage.length * 4 / 3 + 1);
                    for(String line : textLinesFromPage) {
                        out.println(line);
                        // clean line from all non-word characters
                        cleanedtextLines.put(line.replaceAll("\\W", ""), line);
                    }
                    // split the italic text into lines
                    String[] italicTextLines = pageItalicText.split("[\r\n]");
                    Set<String> linesContainingItalicText = new HashSet<String>(italicTextLines.length * 4 / 3 + 1);
                    for(String italicText : italicTextLines) {
                        // clean the italic text from non-word characters
                        String cleanedItalicText = italicText.replaceAll("\\W", "");
                        // search for the corresponding line
                        for(Entry<String, String> lineEntry : cleanedtextLines.entrySet()) {                            
                            if((! linesContainingItalicText.contains(lineEntry.getKey())) 
                                    && lineEntry.getKey().contains(cleanedItalicText)) {
                                linesContainingItalicText.add(lineEntry.getKey());
                                // output the raw line
                                outItalic.println(lineEntry.getValue());
                            }
                        }
                    }
                }
                out.println("==== Page " + pageNumber + " =========================================================\n");
                outItalic.println("==== Page " + pageNumber + " =========================================================\n");
            }

        } finally {
            if(out != null) {
                out.close();
            }
            if(outItalic != null) {
                outItalic.close();
            }
            if(reader != null) {
                reader.close(); 
            }
            long e = System.currentTimeMillis();
            System.out.println("done (" + (e-s) + " ms)");
        }
    }

    /**
     * @param args
     * @throws IOException 
     */
    public static void main(String[] args) throws IOException {
        for(String arg: args) {
            extractItalicText(arg);
        }
    }
}

导入java.io.File；
导入java.io.FileOutputStream；
导入java.io.IOException；
导入java.io.PrintWriter；
导入java.util.HashSet；
导入java.util.LinkedHashMap；
导入java.util.Map；
导入java.util.Map.Entry；
导入java.util.Set；
导入com.itextpdf.text.pdf.BaseFont；
导入com.itextpdf.text.pdf.DocumentFont；
导入com.itextpdf.text.pdf.PdfReader；
导入com.itextpdf.text.pdf.parser.PdfTextExtractor；
导入com.itextpdf.text.pdf.parser.simpletextractionstrategy；
导入com.itextpdf.text.pdf.parser.TextRenderInfo；
公共类提取斜体文本{
最后一个静态类ItalicTextExtractionStrategy扩展了SimpleTextExtractionStrategy{
@凌驾
公共无效renderText（TextRenderInfo arg0）{
DocumentFont=arg0.getFont（）；
字符串[][]familyFontNamesArray=font.getFamilyFontName（）；
对于（字符串[]familyFontNames:familyFontNamesArray）{
for（字符串familyFontName:familyFontNames）{
如果（familyFontName.toLowerCase（）.包含（“斜体”））{
float italicAngle=font.getFontDescriptor（BaseFont.italicAngle，
0/*与ItalicAngle无关，否则1000是一个好值
资料来源：http://grepcode.com/file/repo1.maven.org/maven2/com.itextpdf/itextpdf/5.4.2/com/itextpdf/text/pdf/DocumentFont.java#DocumentFont */);
如果（斜体<0）{
super.renderText（arg0）；
}
打破
}
}   
}
}
}
公共静态void extractItalicText（字符串pdf）引发IOException{
PdfReader reader=null；
PrintWriter out=null；
PrintWriter outItalic=null；
长s=System.currentTimeMillis（）；
试一试{
System.out.println（“处理：+pdf+”）；
//输出原始文本，包括斜体样式
out=newprintWriter（新文件输出流（“src/main/resources/”+新文件（pdf）.getName（）+“.txt”）；
//仅输出斜体样式的文本
outItalic=新的PrintWriter（新文件outputstream（“src/main/resources/”+新文件（pdf）.getName（）+“_italic.txt”）；
阅读器=新的pdf阅读器（pdf）；
int numberOfPages=reader.getNumberOfPages（）；
用于（int pageNumber=1；pageNumber 0）{
//我们在当前页面中有一些斜体文本，因此我们得到页面的孔文本
//搜索斜体文本所在行的步骤
字符串textFromPage=PdfTextExtractor.getTextFromPage（读取器，页码）；
字符串[]textLinesFromPage=textFromPage.split（[\r\n]”）；
//标点符号等有时不是斜体文本的一部分，因此我们需要清理线条
//将已清理的线映射到原始线
Map cleanedtextLines=新建LinkedHashMap（textLinesFromPage.length*4/3+1）；
用于（字符串行：textLinesFromPage）{
out.println（行）；
//清除所有非单词字符的行
cleanedtextLines.put（line.replaceAll（\\W，“”），line）；
}
//将斜体文本分成几行
字符串[]italicTextLines=pageItalicText.split（[\r\n]”）；
Set linescontaingingitalictext=新哈希集（italicTextLines.length*4/3+1）；
用于（字符串斜体文本：斜体文本行）{
//清除非单词字符中的斜体文本
字符串cleanedItalicText=italicText.replaceAll（“\\W”和“）；
//搜索对应的行
对于（Entry lineEntry:cleanedtextLines.entrySet（））{
如果（！linesContainingItalicText.contains（lineEntry.getKey（）））
&&lineEntry.getKey（）包含（cleanedItalicText））{
linesContainingItalicText.add（lineEntry.getKey（））；
//输出原始生产线
outItalic.println（lineEntry.getValue（））；
}
}
}
}
out.println（“===页面”+页码+”=================================================================================================================================\n”）；
outItalic.println（“===第页“+页码+”===================================================================================================================================================\n”）；
}
}最后{
if（out！=null）{
out.close（）；
}
如果（outItalic！=null）{
outItalic.close（）；
}
if（读卡器！=null）{
reader.close（）；
}
长e=System.currentTimeMillis（）；
System.out.println（“完成”（+（e-s）+“ms”）；
}
}
/**
*@param args
*@抛出异常
*/
公共静态void main（字符串[]参数