PDFBox 2列問題如何檢查珠

我有http://laws-lois.justice.gc.ca/PDF/A-8.8.pdf，我試圖解析使用PDFBox，它有2列。我希望解析文本以便分隔列，但是當我通過PDFBox運行它時，它不會分隔2列，而是將兩列的行連接在一起。PDFBox 2列問題如何檢查珠

我讀過https://issues.apache.org/jira/browse/PDFBOX-448，其中說一些PDF文件/珠子沒有可用的，所以解析總是錯誤的。我試過使用stripper.setShouldSeparateByBeads(true)

我該如何檢查它是否有珠子？除了關於PDFBox列解析的問題外，我還沒有發現任何關於這個概念的閱讀材料。

來源

2016-10-03 kyl

您可以檢查珠子是否在PDPage.getThreadBeads()的頁面中。如果沒有線珠，這將返回一個空列表。

擾流警報：您的文檔沒有任何內容。

有關如何使用它們的示例，請參閱源代碼下載中的DrawPrintTextLocations.java示例。帶有磁珠的PDF文件的示例可以在文件PDFBOX-3110-003422-p1-beads.pdf和PDFBOX-3110-poems-beads.pdf中找到，也可以在源代碼下載中找到。

獎金提示：看看ExtractTextByArea.java的例子，這應該會幫助你提取你的PDF文件。

來源

2016-10-04 08:02:56

謝謝，這對我有效。我還發現PDFParser的writeString可以被覆蓋，並且在函數內部，列被讀作兩組文本。我可以手動保存我在那裏獲得的文本，這與使用PDFTextStripperByArea有點相似。你如何看待這條道路？我想知道是否有一些明顯的缺點（文本可能會分裂，當它不應該？）。 – kyl

我假設你的意思是PDFStripper，而不是PDFParser。是的，你可以做到這一點...文本的順序取決於PDF，即它沒有任何「邏輯」，即從左到右，按列或其他排序，可能是任何東西，所以要小心檢查你的假設正在起作用。如果我是你，只要它完成工作，我就會留在PDFTextStripperByArea中。 –

感謝您的諮詢！大多數情況下，我希望能夠自動檢測它的2列或3列，所以這就是爲什麼writeString（）比手動設置矩形邊界更有用。 – kyl

PDFBox 2列問題如何檢查珠

回答

相關問題