iText的閱讀multicolumned PDF文檔

Question

閱讀multicolumned PDF文檔

當iText的閱讀PDF（提取網頁內容到一個字符串變量），那麼內容就會被固定在那裏：

reader = new PdfReader(getResources().openRawResource(R.raw.resume1)); 
original_content = PdfTextExtractor.getTextFromPage(reader, 2); 
String sub_content = original_content.trim().replaceAll(" {2,}", " "); 
sub_content = sub_content.trim().replaceAll("\n ", "\n"); 
sub_content = sub_content.replaceAll("(.+)(?<!\\.)\n(?!\\W)", "$1 "); 

如果文檔僅爲1列，但如果文檔具有多列，則會每行提取文檔1。它會結合左列和右列。

我使用this作爲樣本PDF，這是來自START QA文檔。

如何閱讀多版本的PDF文檔？

Answer 1

有兩種不同的方法來解決這個問題，使用哪一種方法取決於PDF本身。

1. 如果在PDF中的問題網頁內容字符串已經是所需的順序：而是隱含使用的使用PdfTextExtractor.getTextFromPage過載的LocationTextExtractionStrategy的，明確使用SimpleTextExtractionStrategy;你的情況：

   original_content = PdfTextExtractor.getTextFromPage(reader, 2, new SimpleTextExtractionStrategy()); 
   

2. 如果有問題的PDF頁面內容的字符串所需的順序不：而是隱含使用的PdfTextExtractor.getTextFromPage您使用過載LocationTextExtractionStrategy的，明確的在FilteredTextRenderListener中包含一個這樣的策略，限制它僅接收單個列的區域的文本;你的情況：

   Rectangle left = new Rectangle(0, 0, 306, 792); 
   Rectangle right = new Rectangle(306, 0, 612, 792); 
   RenderFilter leftFilter = new RegionTextRenderFilter(left); 
   RenderFilter rightFilter = new RegionTextRenderFilter(right); 
   [...] 
   TextExtractionStrategy strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), leftFilter); 
   original_content = PdfTextExtractor.getTextFromPage(reader, 2, strategy); 
   originalContent += " "; 
   strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), rightFilter); 
   original_content += PdfTextExtractor.getTextFromPage(reader, 2, strategy);