Java 列顺序错误-使用PDFbox提取文本

我试图剥离PDF文档的文本，但列的顺序不正确。我把最后一列作为第一列

---

我怎样才能重新排序呢？请参阅文档。

问题在于，您的文档首先绘制最右边的列，然后从左向右绘制其他列；因此，您的PDFBox文本提取代码将按该顺序返回内容。您可以要求PDFBox按位置进行排序，而不是使用现有的顺序，但这不会有帮助，因为这种排序方式看不到文档的列结构，并且会从上到下（跨列边界！）进行提取然后在假设的文本行中从左到右。如果提取文本的PDF具有固定的文本列位置，则可以尝试按区域、逐列提取。否则，您必须在一定程度上进行布局分析，这超出了PDFBox的重点。不过，您可以使用PDFBox生成此类布局分析所需的数据，“仅仅”需要实现识别布局的智能。由于存在分隔列的线，这里看起来不太复杂；由于我们不知道您通常需要从哪些文档中提取，因此不清楚这种方法是否有用。我认为我需要分析布局，将垂直线作为参考，但这并不容易，因为文档都是不可预测的，您是否阅读了PDFBox常见问题解答？“为什么提取的文本出现在错误的序列中？”@DiegoHenrique确实很重要。。。我甚至花了一些时间（用来识别文本流模式）来识别部分列的正确顺序。。。此外，您会发现提取表格数据本身就是一个挑战。。。没有机器可读的Diário官方版本吗？