提取與路線的位置的所有文本從PDF

Question

這似乎是一個老問題，但我沒有找到花半小時尋遍打完一個詳盡的答案。

我使用PDFBox的，我願與每個字符串的座標沿着提取所有文字從一個PDF文件。我使用他們的PrintTextLocations例子（http://pdfbox.apache.org/apidocs/org/apache/pdfbox/examples/util/PrintTextLocations.html），但那種PDF我在用的（電子機票）的程序無法識別字符串，分別打印每個字符。輸出是一個字符串列表（每個代表TextPosition對象）是這樣的：

String[414.93896,637.2442 fs=1.0 xscale=8.0 height=4.94 space=2.2240002 width=4.0] s 
String[418.93896,637.2442 fs=1.0 xscale=8.0 height=4.94 space=2.2240002 width=4.447998] a 
String[423.38696,637.2442 fs=1.0 xscale=8.0 height=4.94 space=2.2240002 width=1.776001] l 
String[425.16296,637.2442 fs=1.0 xscale=8.0 height=4.94 space=2.2240002 width=4.447998] e 

雖然我想程序才能識別字符串「銷售」作爲一個獨特的TextPosition，並給我自己的立場。我也嘗試玩setSpacingTolerance()和setAverageCharacterTolerance()PDFTextStripper方法，在標準值（分別爲FYI分別爲0.5和0.3）上設置不同的值，但輸出完全沒有變化。我哪裏錯了？提前致謝。

Answer 1

至於喬伊提到，PDF只是一個指令，告訴您應打印某個字符集。

爲了提取的詞或行，你將不得不執行一些數據分割：研究的字符的邊界框應該讓你認識那些在相同的行，然後其中一個形式的話。