itext - 使用 iText 获取行位置

Question

如何使用 iText 找到文档中的行的位置？

假设我有一个 PDF 文档中的表格，并且想要阅读其中的内容；我想找到细胞的确切位置。为了做到这一点，我想我可能会找到线条的交点。

Answer 1

我认为您使用 iText 的唯一选择是手动解析 PDF 标记。在这样做之前，我会 have a copy of the PDF spec handy 。

(我是 .Net 人，所以我使用 iTextSharp，但除了一些大小写差异和属性声明之外，它们几乎 100% 相同。)

您可以使用 PRTokeniser 对象获取单个 token ，通过在 getPageContent(pageNum) 上调用 PdfReader 将字节输入该对象。

//Get bytes for page 1
byte[] pageBytes = reader.getPageContent(1);
//Get the tokens for page 1
PRTokeniser tokeniser = new PRTokeniser(pageBytes);

然后只需循环 PRTokeniser :

PRTokeniser.TokType tokenType;
string tokenValue;

while (tokeniser.nextToken()) {
    tokenType = tokeniser.tokenType;
    tokenValue = tokeniser.stringValue;
    //...check tokenValue, do something with it
}

至于 tokenValue ，您可能想要查找矩形和线的 re 和 l 值。如果您看到 re，那么您想查看 之前的 4 值，如果您看到 l，则 之前的 2 值。这也意味着您需要将每个 tokenValue 存储在一个数组中，以便您以后可以查看。

根据您用来创建 PDF 的内容，您可能会得到一些有趣的结果。例如，我用 Microsoft Word 创建了一个 4 单元格的表格并保存为 PDF。出于某种原因，有两组 10 个矩形有很多重复，但总体思路仍然有效。

下面是针对 iTextSharp 5.1.1.0 的 C# 代码。您应该能够非常轻松地将其转换为 Java 和 iText，我注意到其中一行包含 .Net 特定代码，需要从通用列表 ( List<string>) 调整为 Java 等效代码，可能是 ArrayList 。您还需要调整一些大小写，.Net 使用 Object.Method() 而 Java 使用 Object.method() 。最后，.Net 无需获取和设置即可访问属性，因此与 Java 的 Object.Property 和 Object.getProperty 相比， Object.setProperty 既是 getter 又是 setter。

希望这至少能让你开始!

        //Source file to read from
        string sourceFile = "c:\\Hello.pdf";

        //Bind a reader to our PDF
        PdfReader reader = new PdfReader(sourceFile);

        //Create our buffer for previous token values. For Java users, List<string> is a generic list, probably most similar to an ArrayList
        List<string> buf = new List<string>();

        //Get the raw bytes for the page
        byte[]  pageBytes = reader.GetPageContent(1);
        //Get the raw tokens from the bytes
        PRTokeniser tokeniser = new PRTokeniser(pageBytes);

        //Create some variables to set later
        PRTokeniser.TokType tokenType;
        string tokenValue;

        //Loop through each token
        while (tokeniser.NextToken()) {
            //Get the types and value
            tokenType = tokeniser.TokenType;
            tokenValue = tokeniser.StringValue;
            //If the type is a numeric type
            if (tokenType == PRTokeniser.TokType.NUMBER) {
                //Store it in our buffer for later user
                buf.Add(tokenValue);
            //Otherwise we only care about raw commands which are categorized as "OTHER"
            } else if (tokenType == PRTokeniser.TokType.OTHER) {
                //Look for a rectangle token
                if (tokenValue == "re") {
                    //Sanity check, make sure we have enough items in the buffer
                    if (buf.Count < 4) throw new Exception("Not enough elements in buffer for a rectangle");
                    //Read and convert the values
                    float x = float.Parse(buf[buf.Count - 4]);
                    float y = float.Parse(buf[buf.Count - 3]);
                    float w = float.Parse(buf[buf.Count - 2]);
                    float h = float.Parse(buf[buf.Count - 1]);
                    //..do something with them here
                }
            }
        }