使用iText从pdf文件中提取文本列

使用iText从pdf文件中提取文本列

我是iText文本提取子系统的作者。您需要做的是开发自己的文本提取策略（如果您看一下如何

PdfTextExtractor.getTextFromPage

实现的话，就会发现您可以提供可插拔的策略）。

您将如何确定列的开始和停止位置完全取决于您-这是一个难题-PDF没有列的任何概念（哎呀，它甚至没有词的概念-
只是将列放在一起默认策略提供的文本提取非常棘手）。如果您知道高级列的位置，则可以在文本渲染侦听器回调中使用区域过滤器（iText库中有代码可以执行此 *** 作，最新版本的《
iText In Action》提供了详细示例） 。

如果需要从任意数据中获取列，则需要先进行一些算法工作（如果有工作的话，我很乐意看一下）。有关如何解决此问题的一些想法：

1. 使用类似于默认文本提取策略（LocationAware …）中使用的算法，以获取单词和X / Y位置的列表（一定要同时考虑旋转角度）
2. 对于每个单词，画一条假想的线贯穿页面的整个高度。扫描以相同的X位置开头的所有其他单词。
3. 扫描时，还要查找与X位置相交的单词（但不要以X位置开头）。这将为您提供页面上列起始/终止Y位置的潜在位置。
4. 有了X和Y列后，就可以采用区域过滤方法

另一种可能同样可行的方法是分析绘制 *** 作并查找长的水平和垂直线（假定列以表格形式划分）。现在，iText内容解析器没有这些 *** 作的回调，但是可以很容易地添加它们。