java - 如何使用 PDFBox API 从 PDF 获取文本方向

Question

我有 PDF 文件，其中包含四种不同方向的文本，例如水平对齐、垂直对齐和反向对齐。在使用 PDFBox API 从 pdf 读取文本时，我得到了水平对齐文本的良好输出，但在其他情况下却没有。例如，如果“斜体”字是水平对齐的，则输出为“斜体”。如果它是垂直对齐的，那么输出将跨行拆分为“它 一个
李 c”(这里的“it”、“a”、“li”、“c”在不同的行)。我想知道即使对于垂直和反向对齐的文本，是否有任何方法可以获得良好的输出。

Answer 1

您可以覆盖 PDFTextStripper 的 processTextPosition() 方法并编写逻辑来获取每个字符的方向、x 和 y 值。通过根据字符的方向对字符进行分组，您可以单独裁剪它们。