使用PDF小丑检测PDF表格中的标题和边框

我正在使用PDF小丑的TextInfoExtractionSample将PDF表格提取到Excel中，除了合并的单元格之外，我都能做到。在下面的代码中，对于object“content”，我将扫描的内容视为text、XObject、ContainerObject，而对于border则没有。有人知道PDF表格中哪个对象表示边框，或者如何检测文本是否是表格的标题吗

   private void Extract(ContentScanner level, PrimitiveComposer composer)
   {
      if(level == null)
        return;
      while(level.MoveNext())
      {
        ContentObject content = level.Current;
      }
    }

我正在使用PDF小丑的

TextInfoExtractionSample

在下面的代码中，对于object“content”，我将扫描的内容视为text、XObject、ContainerObject，而对于border则没有

while(level.MoveNext())
{
    ContentObject content = level.Current;
}

A） 访问所有内容 在循环代码中，您从原始示例中删除了非常重要的块

    if(content is XObject)
    {
        // Scan the external level!
        Extract(((XObject)content).GetScanner(level), composer);
    }

及

这些块使示例递归到复杂对象（您提到的XObject、ContainerObject）中，而这些对象又包含它们自己的简单内容

B） 检查所有内容 有人知道PDF表格中哪个对象表示边框吗

不幸的是，PDF内容中没有类似于边框属性的内容。相反，边框是独立的对象，通常是矢量图形，可以是直线或非常细的矩形

因此，在扫描页面内容时（递归地，如A所示），您必须查找包含以下内容的

Path

实例（namespace

org.pdfclown.documents.contents.objects

）

• 移动到m，直线移动到l，行程移动到S操作或
• 矩形re和填充f操作

（可能有帮助）

当你遇到这种情况时，你将不得不解释它们。这些线条可以是边框，但也可以用作下划线、页面装饰等

如果PDF恰巧被标记，事情可能会简单一些，因为你需要更少的解释。相反，您可以读取标记信息，这些信息可能会告诉您单元格的开始和结束位置，因此您不需要解释图形线。不幸的是，标记的PDF还比不标记的少

或者如何检测文本是否是表的标题

如上所述，除非您碰巧检查了带标签的PDF，否则不会立即告诉您某些文本是表头。你得再翻译一遍。该文本是否在您决定形成表格的行之外？它在里面的顶部吗？或者就在里面的任何地方？它是用特定的字体绘制的吗？还是更大？不同的颜色？等等

    if(content is ContainerObject)
    {
        // Scan the inner level!
        Extract(level.ChildLevel, composer);
    }