- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
输入带注释的PDF文档
我有一个 PDF 文档,其中包含突出显示和突出显示的评论(“我的评论”)(downlload)。
期望的输出
我想将 PDF 转换为文本,注释位于 标签中,如下所示:
ONE TWO THREE
FOUR <b id="my comment">FIVE</b> SIX SEVEN
问题
谁能帮我实现方法:
private double getDistance(PDAnnotation ann, TextPosition firstProsition) {...}
或方法
private boolean isTextAnnotated()
判断注解ann是否在正文的位置?如果可能的话,也可以很好地确定评论的文本位置。
JAVA代码
无论如何,我迷失了如何确定注释是否与当前处理的文本相关。我也不知道是否可以识别文本的确切部分。
PDFParser parser = new PDFParser(new FileInputStream(file));
parser.parse();
cosDoc = parser.getDocument();
pdfStripper = new PDFTextStripper()
{
List<PDAnnotation> la;
private boolean closeWithEnd;
@Override
protected void startPage(PDPage page) throws IOException
{
la = page.getAnnotations(); // init pages
startOfLine = true;
super.startPage(page);
}
@Override
protected void writeLineSeparator() throws IOException
{
startOfLine = true;
super.writeLineSeparator();
if(closeWithEnd) {
writeString(" </b> ");
}
}
@Override
protected void writeString(String text, List<TextPosition> textPositions) throws IOException
{
if (startOfLine)
{
TextPosition firstProsition = textPositions.get(0);
PDAnnotation ann;
if((ann = isTextAnnotated(firstProsition, text)) != null) {
writeString(" <b id='"+ann.getAnnotationName()+"'> ");
closeWithEnd = true;
} else {
closeWithEnd = false;
}
startOfLine = false;
}
super.writeString(text+" ", textPositions);
}
private PDAnnotation isTextAnnotated(TextPosition firstProsition, String text) {
for (PDAnnotation ann : la) {
System.out.println(text+" ------------- "+getDistance(ann, firstProsition));
}
return null;
}
private double getDistance(PDAnnotation ann, TextPosition firstProsition) {
TODO - how to get distance
return 0.0;
}
boolean startOfLine = true;
};
pdDoc = new PDDocument(cosDoc);
pdfStripper.setStartPage(0);
pdfStripper.setEndPage(pdDoc.getNumberOfPages());
String parsedText = pdfStripper.getText(pdDoc);
Maven 依赖项
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>3.8.1</version>
<scope>test</scope>
</dependency>
<!-- http://mvnrepository.com/artifact/org.apache.pdfbox/pdfbox -->
<dependency>
<groupId>org.apache.pdfbox</groupId>
<artifactId>pdfbox</artifactId>
<version>1.8.10</version>
</dependency>
<!-- http://mvnrepository.com/artifact/org.apache.tika/tika-core -->
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-core</artifactId>
<version>1.13</version>
</dependency>
<!-- http://mvnrepository.com/artifact/commons-io/commons-io -->
<dependency>
<groupId>commons-io</groupId>
<artifactId>commons-io</artifactId>
<version>2.4</version>
</dependency>
<!-- http://mvnrepository.com/artifact/log4j/log4j -->
<dependency>
<groupId>log4j</groupId>
<artifactId>log4j</artifactId>
<version>1.2.17</version>
</dependency>
<dependency>
<groupId>info.debatty</groupId>
<artifactId>java-string-similarity</artifactId>
<version>RELEASE</version>
</dependency>
<dependency>
<groupId>org.apache.opennlp</groupId>
<artifactId>opennlp-tools</artifactId>
<version>1.6.0</version>
</dependency>
最佳答案
可以得到注解矩形,看看它是否同时包含每个文本位置的左上角和右下角。由于 writeString 包含多个字符,您需要单独检查每个字符,因为注释可能只覆盖字符的一个子集。注释也可以换行,因此如果需要关闭 html 标记,您需要在页面末尾(而不是每行末尾)进行检查。请注意,您从注释中获得的矩形位于 PDF 空间中。但是您从 TextPosition 获得的坐标是在 java 空间中。因此,当您选中 Rectangle.contains 时,您需要将文本位置坐标转换为 PDF 空间。
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.util.List;
import org.apache.pdfbox.cos.COSDocument;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotation;
import org.apache.pdfbox.util.PDFTextStripper;
import org.apache.pdfbox.util.TextPosition;
public class MyPDFTextStripper extends PDFTextStripper
{
public MyPDFTextStripper() throws IOException
{
super();
// TODO Auto-generated constructor stub
}
PDPage currentPage;
List<PDAnnotation> pageAnnotations;
private boolean needsEndTag;
boolean startOfLine = true;
@Override
protected void startPage(PDPage page) throws IOException
{
currentPage = page;
pageAnnotations = currentPage.getAnnotations();
super.startPage(page);
}
@Override
protected void writeString(String text, List<TextPosition> textPositions) throws IOException
{
StringBuilder newText = new StringBuilder();
PDAnnotation currentAnnot = null;
for (TextPosition textPosition : textPositions)
{
PDAnnotation annotation = getAnnotation(textPosition);
if (annotation != null)
{
if (currentAnnot == null)
{
// if the currentAnnot is null, start a new annotation
newText.append("<b id='" + annotation.getAnnotationName() + "'>");
}
else if (!currentAnnot.getAnnotationName().equals(annotation.getAnnotationName()))
{
// if the current Annot is different, end it and start a new
// one
newText.append("</b><b id='" + annotation.getAnnotationName() + "'>");
}
// remember this in case the annotation wraps lines
needsEndTag = true;
currentAnnot = annotation;
}
else if (currentAnnot != null)
{
// if no new annotation is associated with the text, but there used to be, close the tag
newText.append("</b>");
currentAnnot = null;
needsEndTag = false;
}
newText.append(textPosition.getCharacter());
}
super.writeString(newText.toString(), textPositions);
}
private PDAnnotation getAnnotation(TextPosition textPosition)
{
float textX1 = textPosition.getX();
// Translate the y coordinate to PDF Space
float textY1 = currentPage.findMediaBox().getHeight() - textPosition.getY();
float textX2 = textX1 + textPosition.getWidth();
float textY2 = textY1 + textPosition.getHeight();
for (PDAnnotation annotation : pageAnnotations)
{
if (annotation.getRectangle().contains(textX1, textY1) && annotation.getRectangle().contains(textX2, textY2))
{
return annotation;
}
}
return null;
}
@Override
public String getPageEnd()
{
// if the annotation wraps lines and extends to the end of the document, need to add the end tag
if (needsEndTag)
{
return "</b>" + super.getPageEnd();
}
return super.getPageEnd();
}
public static void main(String[] args) throws Exception
{
File file = new File(args[0]);
PDFParser parser = new PDFParser(new FileInputStream(file));
parser.parse();
COSDocument cosDoc = parser.getDocument();
MyPDFTextStripper pdfStripper = new MyPDFTextStripper();
PDDocument pdDoc = new PDDocument(cosDoc);
pdfStripper.setStartPage(0);
pdfStripper.setEndPage(pdDoc.getNumberOfPages());
String parsedText = pdfStripper.getText(pdDoc);
System.out.println(parsedText);
}
}
关于java - 将 PDF 评论提取为 HTML,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37311216/
我正在做一个业余爱好项目,使用 Ruby、PHP 或 Java 来抓取 ASP.net 网站的内容。例如,如果网站 url“www.myaspnet.com/home.aspx”。我想从 home.a
如果我有这些字符串: mystrings <- c("X2/D2/F4", "X10/D9/F4", "X3/D22/F4",
我有以下数据集 > head(names$SAMPLE_ID) [1] "Bacteria|Proteobacteria|Gammaproteobacteria|Pseudomonadales|Mor
设置: 3个域类A,B和C。A和B在插件中。 C在依赖于此插件的应用程序中。 class A{ B b static mapping = { b fetch: 'joi
我不知道如何提取 XML 文件中的开始标记元素名称。我很接近〜意味着没有错误,我正在获取标签名称,但我正在获取标签名称加上信息。我得到的是: {http://www.publishing.org}au
我有一个字符串 x <- "Name of the Student? Michael Sneider" 我想从中提取“Michael Sneider”。 我用过: str_extract_all(x,
我有一个如下所示的文本文件: [* content I want *] [ more content ] 我想读取该文件并能够提取我想要的内容。我能做的最好的事情如下,但它会返回 [更多内容] 请注意
假设我有一个项目集合 $collection = array( 'item1' => array( 'post' => $post, 'ca
我正在寻找一种过滤文本文件的方法。我有许多文件夹名称,其中包含许多文本文件,文本文件有几个没有人员,每个人员有 10 个群集/组(我在这里只显示了 3 个)。但是每个组/簇可能包含几个原语(我在这里展
我已经编写了一个从某个网页中提取网址的代码,我面临的问题是它不会以网页上相同的方式提取网址,我的意思是如果该网址位于某些网页中法语,它不会按原样提取它。我该如何解决这个问题? import reque
如何在 C# 中提取 ZipFile?(ZipFile 是包含文件和目录) 最佳答案 为此使用工具。类似于 SharpZip .据我所知 - .NET 不支持开箱即用的 ZIP 文件。 来自 here
我有一个表达: [training_width]:lofmimics 我要提取[]之间的内容,在上面的例子中我要 training_width 我试过以下方法: QRegularExpression
我正在尝试创建一个 Bash 脚本,该脚本将从命令行给出的最后一个参数提取到一个变量中以供其他地方使用。这是我正在处理的脚本: #!/bin/bash # compact - archive and
我正在寻找一个 JavaScript 函数/正则表达式来从 URI 中提取 *.com...(在客户端完成) 它应该适用于以下情况: siphone.com = siphone.com qwr.sip
关闭。这个问题需要更多focused .它目前不接受答案。 想改进这个问题吗? 更新问题,使其只关注一个问题 editing this post . 关闭 8 年前。 Improve this qu
编辑:添加了实际的 JSON 对象和代码以供审查 我有这种格式的 JSON(只是这种层次结构,假设 JSON 正常工作) {u'kind': u'calendar#events', u'default
我已经编写了代码来使用 BeautifulSoup 提取一本书的 url 和标题来自页面。 但它并没有在 > 之间提取惊人的 super 科学故事 1930 年 4 月这本书的名字。和 标签。 如何提
使用 Java,我想提取美元符号 $ 之间的单词。 例如: String = " this is first attribute $color$. this is the second attribu
您好,我正在尝试找到一种方法来确定字符串中的常量,然后提取该常量左侧的一定数量的字符。 例如-我有一个 .txt 文件,在那个文件的某处有数字 00nnn 数字的例子是 00234 00765 ...
php读取zip文件(删除文件,提取文件,增加文件)实例 从zip压缩文件中提取文件 复制代码 代码如下: <?php /* php 从zip压缩文件
我是一名优秀的程序员,十分优秀!