提取PDF文本

Question

我的問題是：

我如何可以提取其列分成的方式，我得到這個列分隔結果的PDF文件中的文本？

背景： 我從事關於文本分析（特別是科學文本）的項目。 這些文本有時會以多列布局發佈，每列都有一個單獨的頁碼。 要通過佈局的頁面編號來提取文本，按列提取文本將非常有用。

---

我用PDFBOX，並試圖/搜索幾件事情：

• 我試過PDPage類的getThreadBeads()方法 - >結果：列表0大小
• 我試過graping的文本與getCharactersByArticle()方法 - >文本沒有分成列
  （我試過這與PDF文件的已發佈文本以及自我創建.doc文件，每個都有一個多colu MN佈局）

的事情是，PDFBOX似乎通過自動列將文本拆分： 如果我設置在真PDFTextStripper一個頁面的所有跡象都在一條線上設置的setSortByPosition()不承認單獨的列。 但是，如果我設置setSortByPosition()爲假脫衣舞師正在做這種劃分。

爲了讓我看看pdfBox源代碼： 關鍵的方法是PDFTextStripper的writePage()方法。 這裏空格（大多數pdf中沒有給出）和換行符顯然計算在內。 但我找不到Stripper是如何計算分欄符的。

所以再次提問：

• 如何PDFTextStripper計算分欄符？
• pdfBox API中是否有方法來捕捉這個/按列提取文本？
• 這可能與其他pdf-api？

在此先感謝

Answer 1

如果我設置在真PDFTextStripper一個頁面的所有跡象都在一條線上設置的setSortByPosition（）不承認單獨的列。但是如果我將setSortByPosition（）設置爲false，剝離器將執行此分割。

[...] PDFTextStripper如何計算列中斷？

不是。

通過設置SortByPosition到false你告訴PDFBox的到不嘗試從頁面內容流的文本塊，但排序，而不是接受他們在他們出現的順序。

在您的文檔中，文本內容似乎是按照閱讀順序繪製的，即逐列顯示。這不適用於所有文檔，爲了處理其他文檔，PDFBox提供了從左到右，從上到下排序文本片段的選項。

在文檔中激活該選項（設置SortByPosition至true）將返回與列無關的文本。

pdfBox API中有沒有方法可以捕獲這個/按列提取文本？

PDFBox不分析頁面內容以識別列。但是，如果您進行分析，則允許您在將列矩形作​​爲規則提供時逐列提取文本。