gpt4 book ai didi

pdfbox - 使用 PDFBOX 根据 PDF 中的输出识别文本

转载 作者:行者123 更新时间:2023-12-02 01:06:59 26 4
gpt4 key购买 nike

我正在使用 PDF BOX 获取 PDF 文本的颜色信息。我可以使用以下代码获得输出。但是我的疑问是 StrokingColor 代表什么,Non stroking color 代表什么。基于此,我将如何决定哪个文本具有哪种颜色。有人建议我吗?我当前的输出是这样的:DeviceRGB设备CMYKjava.awt.Color[r=63,g=240,b=0]java.awt.Color[r=35,g=31,b=32]34.93499831.1131.875

PDDocument doc = null;
try {
doc = PDDocument.load(strFilepath);
PDFStreamEngine engine = new PDFStreamEngine(ResourceLoader.loadProperties("org/apache/pdfbox/resources/PageDrawer.properties"));
PDPage page = (PDPage)doc.getDocumentCatalog().getAllPages().get(1);
engine.processStream(page, page.findResources(), page.getContents().getStream());
PDGraphicsState graphicState = engine.getGraphicsState();
System.out.println(graphicState.getStrokingColor().getColorSpace().getName());
System.out.println(graphicState.getNonStrokingColor().getColorSpace().getName());
System.out.println(graphicState.getNonStrokingColor().getJavaColor());
System.out.println(graphicState.getStrokingColor().getJavaColor());
float colorSpaceValues[] = graphicState.getStrokingColor().getColorSpaceValue();
for (float c : colorSpaceValues) {
System.out.println(c * 255);
}
}
finally {
if (doc != null) {
doc.close();
}
}

最佳答案

根据评论中的说明,OP 希望

compare the font colors of one pdf page to another pdf page [...] if there is a text "Sample" in black color and some other text "sample1" in grey color....i need to know that sample--> black color, sample1-->grey color like this..i want the full text and its color

PDFBox 有一个文本提取引擎,PDFTextStripper。但是,将它用于手头的任务存在一些挑战,其中包括:

  • 最初它不是是为提取文本旁边的颜色信息而设计的;它使用的 TextPosition 对象甚至没有任何颜色属性。因此,我们必须对其进行一些扩展。

    • 我们将首先为颜色操作注册监听器以跟踪颜色。

    • 我们还将在另一个结构中存储 TextPosition 对象的颜色信息(我更愿意相应地扩展文本位置,但由于有几个不可访问的私有(private)成员,这会带来一些麻烦).

    • 这已在 this answer 中详细显示。 ;对于背景,请看那里。

  • PDF 允许以多种方式绘制文本。字母可以用一种颜色填充,其边框可以用另一种颜色描边。它们的边界甚至可以作为后续绘图操作的剪切路径。我们只会考虑填充和描边颜色。

  • 绘制的文本稍后可能会被其他绘图覆盖,要么完全隐藏它,要么改变它的外观颜色。我们暂时忽略它。

对于 PDFBox 1.8.x

如前所述,我们像这样扩展 PDFTextStripper:

import java.io.IOException;
import java.util.Arrays;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

import org.apache.pdfbox.util.PDFTextStripper;
import org.apache.pdfbox.util.TextPosition;

public class ColorTextStripper extends PDFTextStripper
{
public ColorTextStripper() throws IOException
{
super();
setSuppressDuplicateOverlappingText(false);

registerOperatorProcessor("CS", new org.apache.pdfbox.util.operator.SetStrokingColorSpace());
registerOperatorProcessor("cs", new org.apache.pdfbox.util.operator.SetNonStrokingColorSpace());
registerOperatorProcessor("SC", new org.apache.pdfbox.util.operator.SetStrokingColor());
registerOperatorProcessor("sc", new org.apache.pdfbox.util.operator.SetNonStrokingColor());
registerOperatorProcessor("SCN", new org.apache.pdfbox.util.operator.SetStrokingColor());
registerOperatorProcessor("scn", new org.apache.pdfbox.util.operator.SetNonStrokingColor());
registerOperatorProcessor("G", new org.apache.pdfbox.util.operator.SetStrokingGrayColor());
registerOperatorProcessor("g", new org.apache.pdfbox.util.operator.SetNonStrokingGrayColor());
registerOperatorProcessor("RG", new org.apache.pdfbox.util.operator.SetStrokingRGBColor());
registerOperatorProcessor("rg", new org.apache.pdfbox.util.operator.SetNonStrokingRGBColor());
registerOperatorProcessor("K", new org.apache.pdfbox.util.operator.SetStrokingCMYKColor());
registerOperatorProcessor("k", new org.apache.pdfbox.util.operator.SetNonStrokingCMYKColor());
}

@Override
protected void processTextPosition(TextPosition text)
{
renderingMode.put(text, getGraphicsState().getTextState().getRenderingMode());
strokingColor.put(text, getGraphicsState().getStrokingColor().getColorSpaceValue());
nonStrokingColor.put(text, getGraphicsState().getNonStrokingColor().getColorSpaceValue());

super.processTextPosition(text);
}

Map<TextPosition, Integer> renderingMode = new HashMap<TextPosition, Integer>();
Map<TextPosition, float[]> strokingColor = new HashMap<TextPosition, float[]>();
Map<TextPosition, float[]> nonStrokingColor = new HashMap<TextPosition, float[]>();

final static List<Integer> FILLING_MODES = Arrays.asList(0, 2, 4, 6);
final static List<Integer> STROKING_MODES = Arrays.asList(1, 2, 5, 6);
final static List<Integer> CLIPPING_MODES = Arrays.asList(4, 5, 6, 7);

@Override
protected void writeString(String text, List<TextPosition> textPositions) throws IOException
{
for (TextPosition textPosition: textPositions)
{
Integer charRenderingMode = renderingMode.get(textPosition);
float[] charStrokingColor = strokingColor.get(textPosition);
float[] charNonStrokingColor = nonStrokingColor.get(textPosition);

StringBuilder textBuilder = new StringBuilder();
textBuilder.append(textPosition.getCharacter())
.append("{");

if (FILLING_MODES.contains(charRenderingMode))
{
textBuilder.append("FILL:")
.append(toString(charNonStrokingColor))
.append(';');
}

if (STROKING_MODES.contains(charRenderingMode))
{
textBuilder.append("STROKE:")
.append(toString(charStrokingColor))
.append(';');
}

if (CLIPPING_MODES.contains(charRenderingMode))
{
textBuilder.append("CLIP;");
}

textBuilder.append("}");
writeString(textBuilder.toString());
}
}

String toString(float[] values)
{
if (values == null)
return "null";
StringBuilder builder = new StringBuilder();
switch(values.length)
{
case 1:
builder.append("GRAY"); break;
case 3:
builder.append("RGB"); break;
case 4:
builder.append("CMYK"); break;
default:
builder.append("UNKNOWN");
}
for (float f: values)
{
builder.append(' ')
.append(f);
}

return builder.toString();
}
}

你可以这样调用它:

PDFTextStripper stripper = new ColorTextStripper();

PDDocument document = PDDocument.load(SOURCE_FILE);

String text = stripper.getText(document);

生成的文本包含如下内容:

P{FILL:RGB 0.803 0.076 0.086;}e{FILL:RGB 0.803 0.076 0.086;}l{FILL:RGB 0.803 0.076 0.086;}l{FILL:RGB 0.803 0.076 0.086;}e{FILL:RGB 0.803 0.076 0.086;}

G{FILL:RGB 0.102 0.101 0.095;}r{FILL:RGB 0.102 0.101 0.095;}a{FILL:RGB 0.102 0.101 0.095;}z{FILL:RGB 0.102 0.101 0.095;}i{FILL:RGB 0.102 0.101 0.095;}e{FILL:RGB 0.102 0.101 0.095;}

PelleGrazie 献上

Pelle and Grazie

K{FILL:RGB 0.0 0.322 0.573;}E{FILL:RGB 0.0 0.322 0.573;}Y{FILL:RGB 0.0 0.322 0.573;}

C{FILL:GRAY 0.0;}o{FILL:GRAY 0.0;}m{FILL:GRAY 0.0;}b{FILL:GRAY 0.0;}i{FILL:GRAY 0.0;}n{FILL:GRAY 0.0;}e{FILL:GRAY 0.0;}d{FILL:GRAY 0.0;}

对于 KEYCombined 来自:

KEY and Combined

除了将所有信息序列化为 String 结果之外,您当然还可以创建一些以结构化方式同时包含颜色和字符信息的类。就像现在在 writeString 中创建字符串结果一样,您可以更改此方法以将此类的实例添加到其中的某个列表。

要求

至少需要 PDFBox 版本 1.8.4 才能完成这项工作。我使用 2.0.0-SNAPSHOT 对其进行了测试,但 1.8.4 应该足够了。另一方面,1.8.3 有一个错误,有时会将错误的 TextPosition 对象转发给 writeString,参见。 PDFBOX-1804 , 而早期版本根本不向 writeString 提供 TextPosition 集合。

对于 PDFBox 2.x

PDFBox 2.x 中有多个重构和其他更改也与上述代码有关。

移植到 PDFBox 2.x 它可能看起来像这样:

public class ColorTextStripper extends PDFTextStripper {
public ColorTextStripper() throws IOException {
super();
setSuppressDuplicateOverlappingText(false);

addOperator(new org.apache.pdfbox.contentstream.operator.color.SetStrokingColorSpace());
addOperator(new org.apache.pdfbox.contentstream.operator.color.SetNonStrokingColorSpace());
addOperator(new org.apache.pdfbox.contentstream.operator.color.SetStrokingColor());
addOperator(new org.apache.pdfbox.contentstream.operator.color.SetNonStrokingColor());
addOperator(new org.apache.pdfbox.contentstream.operator.color.SetStrokingColorN());
addOperator(new org.apache.pdfbox.contentstream.operator.color.SetNonStrokingColorN());
addOperator(new org.apache.pdfbox.contentstream.operator.color.SetStrokingDeviceGrayColor());
addOperator(new org.apache.pdfbox.contentstream.operator.color.SetNonStrokingDeviceGrayColor());
addOperator(new org.apache.pdfbox.contentstream.operator.color.SetStrokingDeviceRGBColor());
addOperator(new org.apache.pdfbox.contentstream.operator.color.SetNonStrokingDeviceRGBColor());
addOperator(new org.apache.pdfbox.contentstream.operator.color.SetStrokingDeviceCMYKColor());
addOperator(new org.apache.pdfbox.contentstream.operator.color.SetNonStrokingDeviceCMYKColor());
}

@Override
protected void processTextPosition(TextPosition text) {
renderingMode.put(text, getGraphicsState().getTextState().getRenderingMode());
strokingColor.put(text, getGraphicsState().getStrokingColor().getComponents());
nonStrokingColor.put(text, getGraphicsState().getNonStrokingColor().getComponents());

super.processTextPosition(text);
}

Map<TextPosition, RenderingMode> renderingMode = new HashMap<TextPosition, RenderingMode>();
Map<TextPosition, float[]> strokingColor = new HashMap<TextPosition, float[]>();
Map<TextPosition, float[]> nonStrokingColor = new HashMap<TextPosition, float[]>();

final static List<RenderingMode> FILLING_MODES = Arrays.asList(RenderingMode.FILL, RenderingMode.FILL_STROKE, RenderingMode.FILL_CLIP, RenderingMode.FILL_STROKE_CLIP);
final static List<RenderingMode> STROKING_MODES = Arrays.asList(RenderingMode.STROKE, RenderingMode.FILL_STROKE, RenderingMode.STROKE_CLIP, RenderingMode.FILL_STROKE_CLIP);
final static List<RenderingMode> CLIPPING_MODES = Arrays.asList(RenderingMode.FILL_CLIP, RenderingMode.STROKE_CLIP, RenderingMode.FILL_STROKE_CLIP, RenderingMode.NEITHER_CLIP);

@Override
protected void writeString(String text, List<TextPosition> textPositions) throws IOException {
for (TextPosition textPosition: textPositions) {
RenderingMode charRenderingMode = renderingMode.get(textPosition);
float[] charStrokingColor = strokingColor.get(textPosition);
float[] charNonStrokingColor = nonStrokingColor.get(textPosition);

StringBuilder textBuilder = new StringBuilder();
textBuilder.append(textPosition.getUnicode()).append("{");

if (FILLING_MODES.contains(charRenderingMode)) {
textBuilder.append("FILL:").append(toString(charNonStrokingColor)).append(';');
}

if (STROKING_MODES.contains(charRenderingMode)) {
textBuilder.append("STROKE:").append(toString(charStrokingColor)).append(';');
}

if (CLIPPING_MODES.contains(charRenderingMode)) {
textBuilder.append("CLIP;");
}

textBuilder.append("}");
writeString(textBuilder.toString());
}
}

String toString(float[] values)
{
if (values == null)
return "null";
StringBuilder builder = new StringBuilder();
switch(values.length) {
case 1:
builder.append("GRAY"); break;
case 3:
builder.append("RGB"); break;
case 4:
builder.append("CMYK"); break;
default:
builder.append("UNKNOWN");
}
for (float f: values) {
builder.append(' ')
.append(f);
}

return builder.toString();
}
}

( ColorTextStripper )

关于pdfbox - 使用 PDFBOX 根据 PDF 中的输出识别文本,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21430341/

26 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com