Java 将PDF注释提取到HTML中

输入带注释的PDF文档

我有一个PDF文档，其中包含突出显示和对突出显示的注释（“我的注释”）（）

所需输出

我想将PDF转换为文本，其中注释位于标记中，类似这样：

ONE TWO THREE    
FOUR <b id="my comment">FIVE</b> SIX SEVEN

还是方法

private boolean isTextAnnotated()

确定注释是否位于文本的位置？如果可能的话，还可以确定注释的文本位置

JAVA代码

无论如何，对于如何确定注释是否与当前处理的文本相关，我感到迷茫。我也不知道，是否有可能确定文本的确切部分

                PDFParser parser = new PDFParser(new FileInputStream(file));
                parser.parse();
                cosDoc = parser.getDocument();

                pdfStripper = new PDFTextStripper()
                {
                    List<PDAnnotation> la;
                    private boolean closeWithEnd;
                    @Override
                    protected void startPage(PDPage page) throws IOException
                    {
                        la = page.getAnnotations(); // init pages
                        startOfLine = true;
                        super.startPage(page);
                    }

                    @Override
                    protected void writeLineSeparator() throws IOException
                    {
                        startOfLine = true;
                        super.writeLineSeparator();
                        if(closeWithEnd) {
                            writeString(" </b> ");
                        }
                    }

                    @Override
                    protected void writeString(String text, List<TextPosition> textPositions) throws IOException
                    {
                        if (startOfLine)
                        {
                            TextPosition firstProsition = textPositions.get(0);
                            PDAnnotation ann;
                            if((ann = isTextAnnotated(firstProsition, text)) != null) {
                                writeString(" <b id='"+ann.getAnnotationName()+"'> ");
                                closeWithEnd = true;
                            } else {
                                closeWithEnd = false;
                            }
                            startOfLine = false;
                        }
                        super.writeString(text+" ", textPositions);
                    }
                    private PDAnnotation isTextAnnotated(TextPosition firstProsition, String text) {
                        for (PDAnnotation ann : la) {
                            System.out.println(text+" ------------- "+getDistance(ann, firstProsition));
                        }
                        return null;
                    }
                    private double getDistance(PDAnnotation ann, TextPosition firstProsition) {
                        TODO - how to get distance
                        return 0.0;
                    }
                    boolean startOfLine = true;
                };

                pdDoc = new PDDocument(cosDoc);
                pdfStripper.setStartPage(0);
                pdfStripper.setEndPage(pdDoc.getNumberOfPages());
                String parsedText = pdfStripper.getText(pdDoc);

PDFParser parser=newpdfparser（newfileinputstream（file））；
parser.parse（）；
cosDoc=parser.getDocument（）；
pdfStripper=新的PDFTextStripper（）
{
列表la；
私有布尔闭包；
@凌驾
受保护的无效起始页（PDPage页）引发IOException
{
la=page.getAnnotations（）；//初始化页面
startOfLine=true；
超级起始页（第页）；
}
@凌驾
受保护的void writeLineSeparator（）引发IOException
{
startOfLine=true；
super.writelineparator（）；
如果（closeWithEnd）{
书面限制（“”）；
}
}
@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）；
pdann；
if（（ann=isTextAnnotated（firstprotion，text））！=null）{
书面限制（“”）；
closeWithEnd=true；
}否则{
closeWithEnd=false；
}
startOfLine=false；
}
super.writeString（text+“”，textPositions）；
}
私有PDAnnotation isTextAnnotated（TextPosition firstProssion，字符串文本）{
适用于（PDANN:la）{
System.out.println（text+“--------------”+getDistance（ann，firstProsition））；
}
返回null；
}
专用双getDistance（PDANN注释，TextPosition FirstProsion）{
TODO-如何获得距离
返回0.0；
}
布尔startOfLine=true；
};
pdDoc=新的pdDoc文件（cosDoc）；
pdfStripper.setStartPage（0）；
pdfStripper.setEndPage（pdDoc.getNumberOfPages（））；
字符串parsedText=pdfStripper.getText（pdDoc）；

Maven依赖关系

<dependency>
  <groupId>junit</groupId>
  <artifactId>junit</artifactId>
  <version>3.8.1</version>
  <scope>test</scope>
</dependency>

<!-- http://mvnrepository.com/artifact/org.apache.pdfbox/pdfbox -->
<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>1.8.10</version>
</dependency>

<!-- http://mvnrepository.com/artifact/org.apache.tika/tika-core -->
<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>1.13</version>
</dependency>

<!-- http://mvnrepository.com/artifact/commons-io/commons-io -->
<dependency>
    <groupId>commons-io</groupId>
    <artifactId>commons-io</artifactId>
    <version>2.4</version>
</dependency>


<!-- http://mvnrepository.com/artifact/log4j/log4j -->
<dependency>
    <groupId>log4j</groupId>
    <artifactId>log4j</artifactId>
    <version>1.2.17</version>
</dependency>

<dependency>
    <groupId>info.debatty</groupId>
    <artifactId>java-string-similarity</artifactId>
    <version>RELEASE</version>
</dependency>

<dependency>
  <groupId>org.apache.opennlp</groupId>
  <artifactId>opennlp-tools</artifactId>
  <version>1.6.0</version>
</dependency>

朱尼特
朱尼特
3.8.1
测试
org.apache.pdfbox
pdfbox
1.8.10
org.apache.tika
提卡岩芯
1.13
公地io
公地io
2.4
log4j
log4j
1.2.17
迪巴蒂信息
java字符串相似性
释放
org.apache.opennlp
opennlp工具
1.6.0

---

您可以获取注释矩形，并查看它是否同时包含每个文本位置的左上角和右下角。由于writeString包含多个字符，您需要单独检查每个字符，因为注释可能只包含字符的一个子集。注释也可以换行，因此如果需要关闭html标记，则需要在页面末尾（而不是每行末尾）进行检查。请注意，从注释中获得的矩形位于PDF空间中。但是从TextPosition得到的坐标是在java空间中。因此，当您选中Rectangle.contains时，需要将文本位置坐标转换为PDF空间

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.util.List;

import org.apache.pdfbox.cos.COSDocument;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotation;
import org.apache.pdfbox.util.PDFTextStripper;
import org.apache.pdfbox.util.TextPosition;

public class MyPDFTextStripper extends PDFTextStripper
{
    public MyPDFTextStripper() throws IOException
    {
        super();
        // TODO Auto-generated constructor stub
    }

    PDPage currentPage;
    List<PDAnnotation> pageAnnotations;
    private boolean needsEndTag;
    boolean startOfLine = true;

    @Override
    protected void startPage(PDPage page) throws IOException
    {
        currentPage = page;
        pageAnnotations = currentPage.getAnnotations();
        super.startPage(page);
    }

    @Override
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException
    {
        StringBuilder newText = new StringBuilder();
        PDAnnotation currentAnnot = null;
        for (TextPosition textPosition : textPositions)
        {
            PDAnnotation annotation = getAnnotation(textPosition);
            if (annotation != null)
            {
                if (currentAnnot == null)
                {
                    // if the currentAnnot is null, start a new annotation
                    newText.append("<b id='" + annotation.getAnnotationName() + "'>");
                }
                else if (!currentAnnot.getAnnotationName().equals(annotation.getAnnotationName()))
                {
                    // if the current Annot is different, end it and start a new
                    // one
                    newText.append("</b><b id='" + annotation.getAnnotationName() + "'>");
                }
                // remember this in case the annotation wraps lines
                needsEndTag = true;
                currentAnnot = annotation;
            }
            else if (currentAnnot != null)
            {
                // if no new annotation is associated with the text, but there used to be, close the tag
                newText.append("</b>");
                currentAnnot = null;
                needsEndTag = false;
            }
            newText.append(textPosition.getCharacter());
        }
        super.writeString(newText.toString(), textPositions);
    }

    private PDAnnotation getAnnotation(TextPosition textPosition)
    {
        float textX1 = textPosition.getX();
        // Translate the y coordinate to PDF Space
        float textY1 = currentPage.findMediaBox().getHeight() - textPosition.getY();
        float textX2 = textX1 + textPosition.getWidth();
        float textY2 = textY1 + textPosition.getHeight();

        for (PDAnnotation annotation : pageAnnotations)
        {
            if (annotation.getRectangle().contains(textX1, textY1) && annotation.getRectangle().contains(textX2, textY2))
            {
                return annotation;
            }
        }
        return null;
    }

    @Override
    public String getPageEnd()
    {
        // if the annotation wraps lines and extends to the end of the document, need to add the end tag
        if (needsEndTag)
        {
            return "</b>" + super.getPageEnd();
        }
        return super.getPageEnd();
    }

    public static void main(String[] args) throws Exception
    {
        File file = new File(args[0]);
        PDFParser parser = new PDFParser(new FileInputStream(file));
        parser.parse();
        COSDocument cosDoc = parser.getDocument();

        MyPDFTextStripper pdfStripper = new MyPDFTextStripper();

        PDDocument pdDoc = new PDDocument(cosDoc);
        pdfStripper.setStartPage(0);
        pdfStripper.setEndPage(pdDoc.getNumberOfPages());
        String parsedText = pdfStripper.getText(pdDoc);
        System.out.println(parsedText);
    }
}

导入java.io.File；
导入java.io.FileInputStream；
导入java.io.IOException；
导入java.util.List；
导入org.apache.pdfbox.cos.cos文档；
导入org.apache.pdfbox.pdfparser.pdfparser；
导入org.apache.pdfbox.pdmodel.PDDocument；
导入org.apache.pdfbox.pdmodel.PDPage；
导入org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotation；
导入org.apache.pdfbox.util.PDFTextStripper；
导入org.apache.pdfbox.util.TextPosition；
公共类MyPDFTextStripper扩展了PDFTextStripper
{
public MyPDFTextStripper（）引发IOException
{
超级（）；
//TODO自动生成的构造函数存根
}
PDPage当前页面；
列表页注释；
私有布尔needsEndTag；
布尔startOfLine=true；
@凌驾
受保护的无效起始页（PDPage页）引发IOException
{
当前页面=第页；
pageAnnotations=currentPage.getAnnotations（）；
超级起始页（第页）；
}
@凌驾
受保护的void writeString（字符串文本、列表文本位置）引发IOException
{
StringBuilder newText=新StringBuilder（）；
PDA注释currentAnnot=null；
用于（TextPosition TextPosition:textPositions）
{
PDAnnotation=getAnnotation（textPosition）；
if（注释！=null）
{
如果（currentAnnot==null）
{
//如果currentAnnot为空，请启动新注释
新文本。追加（“”）；
}
如果（！currentAnnot.getAnnotationName（）等于（annotati），则为else
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.util.List;

import org.apache.pdfbox.cos.COSDocument;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotation;
import org.apache.pdfbox.util.PDFTextStripper;
import org.apache.pdfbox.util.TextPosition;

public class MyPDFTextStripper extends PDFTextStripper
{
    public MyPDFTextStripper() throws IOException
    {
        super();
        // TODO Auto-generated constructor stub
    }

    PDPage currentPage;
    List<PDAnnotation> pageAnnotations;
    private boolean needsEndTag;
    boolean startOfLine = true;

    @Override
    protected void startPage(PDPage page) throws IOException
    {
        currentPage = page;
        pageAnnotations = currentPage.getAnnotations();
        super.startPage(page);
    }

    @Override
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException
    {
        StringBuilder newText = new StringBuilder();
        PDAnnotation currentAnnot = null;
        for (TextPosition textPosition : textPositions)
        {
            PDAnnotation annotation = getAnnotation(textPosition);
            if (annotation != null)
            {
                if (currentAnnot == null)
                {
                    // if the currentAnnot is null, start a new annotation
                    newText.append("<b id='" + annotation.getAnnotationName() + "'>");
                }
                else if (!currentAnnot.getAnnotationName().equals(annotation.getAnnotationName()))
                {
                    // if the current Annot is different, end it and start a new
                    // one
                    newText.append("</b><b id='" + annotation.getAnnotationName() + "'>");
                }
                // remember this in case the annotation wraps lines
                needsEndTag = true;
                currentAnnot = annotation;
            }
            else if (currentAnnot != null)
            {
                // if no new annotation is associated with the text, but there used to be, close the tag
                newText.append("</b>");
                currentAnnot = null;
                needsEndTag = false;
            }
            newText.append(textPosition.getCharacter());
        }
        super.writeString(newText.toString(), textPositions);
    }

    private PDAnnotation getAnnotation(TextPosition textPosition)
    {
        float textX1 = textPosition.getX();
        // Translate the y coordinate to PDF Space
        float textY1 = currentPage.findMediaBox().getHeight() - textPosition.getY();
        float textX2 = textX1 + textPosition.getWidth();
        float textY2 = textY1 + textPosition.getHeight();

        for (PDAnnotation annotation : pageAnnotations)
        {
            if (annotation.getRectangle().contains(textX1, textY1) && annotation.getRectangle().contains(textX2, textY2))
            {
                return annotation;
            }
        }
        return null;
    }

    @Override
    public String getPageEnd()
    {
        // if the annotation wraps lines and extends to the end of the document, need to add the end tag
        if (needsEndTag)
        {
            return "</b>" + super.getPageEnd();
        }
        return super.getPageEnd();
    }

    public static void main(String[] args) throws Exception
    {
        File file = new File(args[0]);
        PDFParser parser = new PDFParser(new FileInputStream(file));
        parser.parse();
        COSDocument cosDoc = parser.getDocument();

        MyPDFTextStripper pdfStripper = new MyPDFTextStripper();

        PDDocument pdDoc = new PDDocument(cosDoc);
        pdfStripper.setStartPage(0);
        pdfStripper.setEndPage(pdDoc.getNumberOfPages());
        String parsedText = pdfStripper.getText(pdDoc);
        System.out.println(parsedText);
    }
}