java - 从 PDF 中提取所有带有字符串位置的文本

Question

这似乎是一个老问题，但我花了半个小时在 SO 上搜索后没有找到详尽的答案。

我正在使用 PDFBox，我想从 PDF 文件中提取所有文本以及每个字符串的坐标。我正在使用他们的 PrintTextLocations 示例 ( http://pdfbox.apache.org/apidocs/org/apache/pdfbox/examples/util/PrintTextLocations.html ) 但对于我正在使用的 pdf 类型 (E-Tickets)，程序无法识别字符串，分别打印每个字符。输出是一个字符串列表(每个字符串代表一个 TextPosition 对象)，如下所示:

String[414.93896,637.2442 fs=1.0 xscale=8.0 height=4.94 space=2.2240002 width=4.0] s
String[418.93896,637.2442 fs=1.0 xscale=8.0 height=4.94 space=2.2240002 width=4.447998] a
String[423.38696,637.2442 fs=1.0 xscale=8.0 height=4.94 space=2.2240002 width=1.776001] l
String[425.16296,637.2442 fs=1.0 xscale=8.0 height=4.94 space=2.2240002 width=4.447998] e

虽然我希望程序将字符串“sale”识别为唯一的 TextPosition 并给我它的位置。我还尝试使用 setSpacingTolerance() 和 setAverageCharacterTolerance() PDFTextStripper 方法，在标准值之上和之下设置不同的值(仅供引用分别为 0.5 和 0.3)，但输出根本没有改变。我哪里错了？提前致谢。

Answer 1

正如 Joey 所说，PDF 只是一组指令，告诉您应该在何处打印某个字符。

为了提取单词或行，您必须执行一些数据分割:研究字符的边界框应该让您识别那些在同一行上的字符，然后识别哪些字符构成单词。