Java 通过pdfbox从pdf文件中提取文本

我在pdf阅读中面临一个问题

public class GetLinesFromPDF extends PDFTextStripper {

    static List<String> lines = new ArrayList<String>();
    Map<String, String> auMap = new HashMap();
    boolean objFlag = false;

    public GetLinesFromPDF() throws IOException {
    }

    /**
     * @throws IOException If there is an error parsing the document.
     */
    public static void main(String[] args) throws IOException {
        PDDocument document = null;
        String fileName = "E:\\sample.pdf";
        try {
            int i;
            document = PDDocument.load(new File(fileName));
            PDFTextStripper stripper = new GetLinesFromPDF();
            stripper.setSortByPosition(true);
            stripper.setStartPage(0);
            stripper.setEndPage(document.getNumberOfPages());

            Writer dummy = new OutputStreamWriter(new ByteArrayOutputStream());
            stripper.writeText(document, dummy);

            // print lines
            for (String line : lines) {
                //System.out.println("line = " + line);
                if (line.matches("(.*)Objection(.*)")) {
                    System.out.println(line);
                    withObjection(lines);
                    //System.out.println("iiiiiiiiiiii");
                    break;
                }
                //System.out.println("uuuuuuuuuuuuuu");

            }
        } finally {
            if (document != null) {
                document.close();
            }
        }
    }

    /**
     * Override the default functionality of PDFTextStripper.writeString()
     */
    @Override
    protected void writeString(String string, List<TextPosition> textPositions) throws IOException {

        System.out.println("textPositions = " + string);

        // System.out.println("tex   "+textPositions.get(0).getFont()+ getArticleEnd());
        // you may process the line here itself, as and when it is obtained
    }
}

public类GetLinesFromPDF扩展了PDFTextStripper{
静态列表行=新的ArrayList（）；
Map auMap=newhashmap（）；
布尔值objFlag=false；
公共GetLinesFromPDF（）引发IOException{
}
/**
*如果解析文档时出错，@将引发IOException。
*/
公共静态void main（字符串[]args）引发IOException{
PDDocument文件=null；
String fileName=“E:\\sample.pdf”；
试一试{
int i；
document=PDDocument.load（新文件（文件名））；
PDFTextStripper stripper=new GetLinesFromPDF（）；
脱扣器。设置端口BYPOSITION（真）；
剥离器。设置开始页（0）；
setEndPage（document.getNumberOfPages（））；
Writer dummy=newoutputstreamwriter（newbytearrayoutputstream（））；
stripper.writeText（文档，虚拟）；
//打印行
用于（字符串行：行）{
//System.out.println（“line=“+line”）；
如果（行匹配（（*）反对（*））{
系统输出打印项次（行）；
有异议（行）；
//系统输出打印项次（“IIII”）；
打破
}
//System.out.println（“uu”）；
}
}最后{
如果（文档！=null）{
document.close（）；
}
}
}
/**
*重写PDFTextStripper.writeString（）的默认功能
*/
@凌驾
受保护的void writeString（字符串、列表textPositions）引发IOException{
System.out.println（“textPositions=“+string”）；
//System.out.println（“tex”+textPositions.get（0.getFont（）+getArticleEnd（））；
//您可以在获取该行时在此处自行处理该行
}
}

需要像这样的输出吗 我的pdf有一些标题，我们需要跳过相同的

pdf文件内容为

如何按指定的不同格式提取文本

---

提前感谢。

“如何按指定的格式提取文本。”-这还远远没有指定。首先，如何识别标题？它们真的都是以“我的标题”或“副标题”开头的吗？或者它们都以“标题：”或“副标题：”作为前缀？或者是这些变体的混合体？在某些pdf中有，但在其他pdf中没有。好的，然后解释可以识别标题的标准，我们将帮助您了解是否可以以及如何进行编码。示例文本没有清楚地传达可以识别标题的标准。感谢您的支持。由于一些安全问题，我将展示一个示例pdf内容。一些文本（如公司名称徽标等）异议1部门：abc这是一个异议样本，需要遵守属性响应规则用户需要遵守此规则异议2部门：xyz Lorem Ipsum只是印刷和排版行业的虚拟文本。lorem ipsum的响应非常好，就像它一直到pdf的最后一页一样，我认为它更简单，需要检查作为异议部门的键&响应“如何按照指定的单独格式提取文本”-这远远没有指定。首先，如何识别标题？它们真的都是以“我的标题”或“副标题”开头的吗？或者它们都以“标题：”或“副标题：”作为前缀？或者是这些变体的混合体？在某些pdf中有，但在其他pdf中没有。好的，然后解释可以识别标题的标准，我们将帮助您了解是否可以以及如何进行编码。示例文本没有清楚地传达可以识别标题的标准。感谢您的支持。由于一些安全问题，我将展示一个示例pdf内容。一些文本（如公司名称徽标等）异议1部门：abc这是一个异议样本，需要遵守属性响应规则用户需要遵守此规则异议2部门：xyz Lorem Ipsum只是印刷和排版行业的虚拟文本。lorem ipsum的回复非常好，就像它一直到pdf的最后一页一样，我认为它更简单，需要检查作为异议部门和回复的键