Java 在提取数据时维护Pdf的结构

我正在尝试使用iText库从PDF文档中提取数据。我能够提取PDF文档，但在解析时无法保持PDF文件的结构

我也尝试使用ApacheTika和pdfbox，但仍然无法维护文件的结构。到目前为止，我尝试的代码如下：

import java.io.PrintWriter;
import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfReaderContentParser;
import com.itextpdf.text.pdf.parser.SimpleTextExtractionStrategy;
import com.itextpdf.text.pdf.parser.TextExtractionStrategy;

public class ExtractPageContent {

    public static final String source = "C:/Users/xyz/Test.pdf";

    public static final String dest = "C:/Users/xyz/Test.txt";

    public void parsePdf(String pdf, String txt) throws IOException {
        PdfReader reader = new PdfReader(pdf);
        PdfReaderContentParser parser = new PdfReaderContentParser(reader);
        PrintWriter out = new PrintWriter(new FileOutputStream(txt));
        TextExtractionStrategy strategy;
        for (int i = 1; i <= reader.getNumberOfPages(); i++) {
            strategy = parser.processContent(i, new SimpleTextExtractionStrategy());
            out.println(strategy.getResultantText());
        }
        out.flush();
        out.close();
        reader.close();
    }
    public static void main(String[] args) throws IOException {
        new ExtractPageContent().parsePdf(source, dest);
    }
}

导入java.io.PrintWriter；
导入com.itextpdf.text.pdf.PdfReader；
导入com.itextpdf.text.pdf.parser.PdfReaderContentParser；
导入com.itextpdf.text.pdf.parser.simpletextractionstrategy；
导入com.itextpdf.text.pdf.parser.TextExtractionStrategy；
公共类内容{
公共静态最终字符串source=“C:/Users/xyz/Test.pdf”；
公共静态最终字符串dest=“C:/Users/xyz/Test.txt”；
公共void parsePdf（字符串pdf，字符串txt）引发IOException{
PdfReader reader=新PdfReader（pdf）；
PdfReaderContentParser=新的PdfReaderContentParser（读取器）；
PrintWriter out=新的PrintWriter（新文件输出流（txt））；
文本抽取策略；
对于（int i=1；i试试这个..它对我很有效。你需要使用PDFBox api。它是从pdf文档中提取文本的最佳库

import java.io.File;
import java.io.IOException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.PDFTextStripperByArea;

public void readText(){
try {
    PDDocument document = null;
    document = PDDocument.load(new File("test.pdf"));
    document.getClass();
    if (!document.isEncrypted()) {
        PDFTextStripperByArea stripper = new PDFTextStripperByArea();
        stripper.setSortByPosition(true);
        PDFTextStripper Tstripper = new PDFTextStripper();
        String st = Tstripper.getText(document);
        System.out.println("Text:" + st);
    }
} catch (Exception e) {
    e.printStackTrace();
}
}

试试这个。它对我有用。你需要使用PDFBOXAPI。它是从pdf文档中提取文本的最佳库

import java.io.File;
import java.io.IOException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.PDFTextStripperByArea;

public void readText(){
try {
    PDDocument document = null;
    document = PDDocument.load(new File("test.pdf"));
    document.getClass();
    if (!document.isEncrypted()) {
        PDFTextStripperByArea stripper = new PDFTextStripperByArea();
        stripper.setSortByPosition(true);
        PDFTextStripper Tstripper = new PDFTextStripper();
        String st = Tstripper.getText(document);
        System.out.println("Text:" + st);
    }
} catch (Exception e) {
    e.printStackTrace();
}
}

保持PDF的结构是什么意思？当我使用pdfbox或itext时，请参考url i.stack.imgur.com/pn1GQ.png中附带的图像，它包含两列，以水平直线读取。必须先阅读左列，然后再阅读右列。切勿将更多信息放入注释中。请编辑您的问题。对于下一个ti，请编辑您的问题me：查看帮助中心，了解“好问题”应提供哪些信息。当我使用pdfbox或itext以水平直线读取，而它包含2列时，itext和pdfbox中的文本提取器都希望文本以阅读顺序绘制，无需排序（在iText:
simpletextractionstrategy
中，在PDFBox
PDFTextStripper.setortbyposition（false）
）中，或者他们将其排序为单列和水平（在iText:
locationtextractionstrategy
中，在PDFBox
PDFTextStripper.setortbyposition（true）
）。您可以尝试改进任一库中的代码，首先尝试识别列并进行相应提取。识别并不简单。维护PDF的结构意味着什么？当我使用pdfbox或itext以水平直线读取时，请参阅url i.stack.imgur.com/pn1GQ.png中附带的图像，其中包含2列。请先阅读左栏，再阅读右栏不要在评论中添加更多信息。请编辑您的问题。下一次，请查看帮助中心，了解“好问题”应提供哪些信息。当我使用pdfbox或itext以水平直线读取，而它包含两列时-itext和pdfbox中的文本提取器都希望文本以读取顺序绘制，无需排序（在itext中：
SimpleTextActionStrategy
，在pdfbox
PDFTextStripper中。SetOrtbyPosition（false）
），或将其按单列和水平排序（在iText:
LocationTextExtractionStrategy
中，在PDFBox
PDFTextStripper.setSortByPosition（true）
中）。您可以尝试改进任一库中的代码，以便首先尝试识别列并进行相应提取。识别并不简单。您的代码没有使用
PDFTextStripperByArea剥离器
，是吗？它以何种方式维护OP所需的文件结构？请参阅url W中附带的图像当我使用pdfbox或itext时，当它包含两列时，以水平直线读取。必须先读取左列，然后读取右列column@mkl…我已使用剥离器对象将sort by position属性设置为true…
stripper.setSortByPosition（true）
我使用了stripper对象将sort by position属性设置为true-但是由于您没有使用
stripper
而使用
Tstripper
进行提取，因此
stripper
的sort by position属性没有任何区别。因此，您不使用
stripper
进行任何操作。您的代码不使用
PDFTextStripperByArea剥离器
对于任何内容，是吗？它以何种方式维护OP要求的文件结构？当我使用pdfbox或itext时，请参考url中附加的图像，以直线水平线读取，而它包含两列。必须先读取左列，然后读取右列column@mkl…我使用了剥离器对象将按位置排序属性设置为true…
stripper.setSortByPosition（true）
我使用了stripper对象将sort by position属性设置为true-但是由于您没有使用
stripper
而使用
Tstripper
进行提取，因此
stripper
的sort by position属性没有任何区别。因此，您不会对任何事情使用
stripper
。