PDFBox如何檢測列？

Question

我想從pdf文檔中提取文本。我已經測試了幾個工具，如PDFBox,TET,PDFTextStream等，但它們都不適合提取波斯多列pdf文檔的文本。

目前我正試圖結合這些工具的優秀特性並在其上使用一些技巧。現在我想知道如何檢測頁面的列數以及如何拆分這些列的文本。

特別我想知道PDFBox或PDFTextStream是哪一類負責列檢測以及它是如何工作的。

Answer 1

我只能說PDFTextStream，但爲了理解它是如何工作的，大致需要了解PDFTextStream如何查看PDF文檔。

每個文檔都由Pages組成，它們由Blocks（其中可以有多個嵌套）組成。 Blocks最終將包含Lines，其中將包含TextUnits。

這些單位中的每一個都有一個x,y,width和height屬性。所有PDF都是基於它們的座標佈置的這些基本單元。當您要求PDFTextStream「讀取」一個頁面或一個區域時，它會查看這些對象以及它們在X，Y平面上的佈局，並使用近似的方式來翻譯文本。這就是爲什麼你會得到錯誤，因爲沒有100％的萬無一失的方法來把這個結構變成機器可讀的結構化數據。

在PDFTextStream，你應該看看getRegionTextfunction and example。 PDFTextStream是專有的（我之所以轉向使用PDFBox），所以我不能告訴你有關用於獲取文本的算法的細節，但它們基於上述過於簡單化。

祝你好運。