Java PDF查找文本是下划线还是表格单元格

我一直在玩PdfBox和PDFTextStripperByArea方法

如果文本是粗体或斜体，我可以提取信息，但无法获取下划线信息

据我在PDF中的理解，下划线是通过画线来完成的。所以理论上，我应该能够得到一些关于文本中某些行的信息。给出这些信息后，我就可以知道文本是下划线还是在表格中

以下是我目前的代码：

List<TextPosition> textPos = charactersByArticle.get(index);

for (TextPosition t : textPos)
{               
    if (t.getFont().getFontDescriptor() != null)
    {                           
        if (t.getFont().getFontDescriptor().getFontWeight() > BOLD_WEIGHT ||
            t.getFont().getFontDescriptor().isForceBold())
        {
            isBold = true;
        }

        if (t.getFont().getFontDescriptor().isItalic())
        {
            isItalic = true;
        }
    }
}

List textPos=charactersByArticle.get（索引）；
for（TextPosition t:textPos）
{               
如果（t.getFont（）.getFontDescriptor（）！=null）
{                           
如果（t.getFont（）.getFontDescriptor（）.getFontWeight（）>粗体权重||
t、 getFont（）.getFontDescriptor（）.isForceBold（））
{
isBold=true；
}
if（t.getFont（）.getFontDescriptor（）.isItalic（））
{
isItalic=真；
}
}
}

我试着在PDFStreamEngine类的processEncodedText方法中处理PDGraphicsState对象，但在那里找不到行的信息

根据api从中检索此信息的任何建议都会返回字体大小

---

您可以使用方法，它将返回带下划线字体的

STYLE\u UNDERLINE

。因此，您可以检索下划线样式。

以下是我到目前为止发现的内容：

PDFBox使用资源文件将PDF运算符/指令绑定到特定类，然后这些类将处理信息

如果我们查看下的PDFTextStripper.properties资源文件：

pdfbox\src\main\resources\org\apache\pdfbox\resources\

我们可以看到，例如，BT运营商绑定到 org.apache.pdfbox.util.operator.BeginText类等

下的PDFTextStripper

pdfbox\src\main\java\org\apache\pdfbox\util\

考虑到这一点，并利用此类处理PDF

但忽略所有图形对象，因此没有下划线或表格结构信息

现在，如果我们看一下PageDrawer.properties资源文件，我们可以看到这个文件几乎可以绑定到所有可用的操作符。下的PageDrawer类使用

pdfbox\src\main\java\org\apache\pdfbox\pdfviewer\

现在的“诀窍”是找出哪些图形运算符表示下划线和表，并将它们与PDFTextStripper结合使用

现在，这意味着阅读PDF文件规范，这是目前很多工作的方式

---

如果有人知道哪些操作员负责绘制下划线和表线，请告诉我。

您可以使用Itext生成pdf报告

通过使用itext，您可以轻松地放置这些行

试试下面的方法

document.add（新的行分隔符（0.5f，50，null，0，198））

以上代码用于在pdf报告中生成行。并根据您的选择设置尺寸

---

希望这能对您有所帮助。

据我所知，pdfbox没有任何选项可以让您阅读下划线。也许您可以为此尝试itextpdf。

正如您所提到的——PDFBox使用资源文件，将PDF操作符/说明绑定到将处理信息的访问者

您最好从将PDFBox的现有访问者复制到自己的源文件夹开始，然后从那里添加/扩展实现

我很久以前的PostScript经历让我想起了“moveto”和“lineto”操作符。因为PDF基本上是基于PS的，所以您将寻找类似的东西

PDF格式是b*tch——它是HTML，做错了。它表示图形实现，而不是语义。即使重建句子也很困难——单词甚至单个字符被定位，“空格”或“换行符”必须通过算法重建。简言之，Adobe是一个漏洞。读者是一头不符合人体工程学的、布满虫子的、不安全的、臃肿的猪

---

然而，如果你愿意投入12个多小时的工作，你可以完成你的要求。除了按位置检测外，PDF中的下划线通常会在文本后立即发出。。因此，您可以通过PDF文档顺序锁定检测，而不仅仅是页面位置

此外，请尝试构造一个带有下划线文本的简单的两行PDF。然后看看你能做些什么，把它解析回来！下划线应该像狗的香蕉一样突出，一旦你能察觉到，你就可以顺利上路了

PDFBox的可扩展性不是很好，它主要是一大堆算法。出于这个原因，只需复制PDFTextStripper源代码（可能还有PageDrawer供参考）和原型即可

---

希望这有帮助

好问题。我在使用pdfbox时遇到了同样的问题，当时我正在将pdf转换为html。但我通过将下划线作为背景图像的一部分来解决这个问题。我认为这在你的情况下是行不通的。如果我们得到了这些行的x，y坐标，那将非常好。我建议您尝试另一个PDF处理库。下划线不是字体的属性，例如字体大小（粗体）或形状（斜体），而是放在文本下方的图形对象。我一直在读PDFBOXAPI，看起来你可以得到所有的图形对象。因此，你必须编写一个程序，计算一些看起来像一条线的东西的坐标，然后看看它是否在一些文本下面。那太乏味了。但我以前从未使用过PDFBox，所以我不是专家，我知道线条不是文本的一部分，而是图形对象。切换库不是一个选项，