Java PDFBox如何检测列？

我正在尝试从pdf文档中提取文本。我已经测试了几种工具，如

PDFBox

、

TET

、

PDFTextStream

等等，但它们都不适合提取波斯多列pdf文档的文本

目前，我正在尝试将这些工具的良好特性结合起来，并对它们使用一些技巧。现在我想知道如何检测页面的列数，以及如何分割这些列的文本

---

我特别想知道哪个类的

PDFBox

或

PDFTextStream

负责列检测以及它是如何工作的。

我只能为

PDFTextStream

说话，但为了理解它是如何工作的，你需要大致了解

PDFTextStream

是如何查看PDF文档的

每个文档都由

页面

组成，这些页面由

块

组成（其中可以有许多块，也可以嵌套）<代码>块最终将包含

行

，其中将包含

文本单位

每个单元都有一个

x

、

y

、

width

和

height

属性。所有的PDF都是基于这些基本单位的坐标排列的。当您要求

PDFTextStream

来“读取”页面或区域时，它会查看对象以及它们在X、Y平面上的布局，并使用将如何转换为文本的近似值。这就是为什么会出现错误，因为没有100%万无一失的方法将此结构转换为机器可读的结构化数据

在

PDFTextStream

中，您应该查看

getRegionText

。PDFTextStream是专有的（这就是我要迁移到PDFBox的原因），因此我无法向您提供用于获取文本的算法的详细信息，但它们基于上述过于简化的情况

---

祝你好运。

PDFTextStream

和你描述的一样。我已经深入地追踪了它的主要对象以及这些对象的基本特征。我认为它的

API

非常简单。但是

PDFTextStream

的主要缺陷是它不支持

从右到左的
脚本（如波斯语、阿拉伯语和希伯来语）。所以我也转到了
PDFBox
！但是
PDFBox
在
RTL
pdf文档的文本提取中存在缺陷，但是它支持这些缺陷。我认为它有
工作流程
体系结构，因此很难调试。无论如何，谢谢你。