提取PDF文本

Question

我的问题是：

我如何可以提取其列分成的方式，我得到这个列分隔结果的PDF文件中的文本？

背景： 我从事关于文本分析（特别是科学文本）的项目。 这些文本有时会以多列布局发布，每列都有一个单独的页码。 要通过布局的页面编号来提取文本，按列提取文本将非常有用。

---

我用PDFBOX，并试图/搜索几件事情：

• 我试过PDPage类的getThreadBeads()方法 - >结果：列表0大小
• 我试过graping的文本与getCharactersByArticle()方法 - >文本没有分成列
  （我试过这与PDF文件的已发布文本以及自我创建.doc文件，每个都有一个多colu MN布局）

的事情是，PDFBOX似乎通过自动列将文本拆分： 如果我设置在真PDFTextStripper一个页面的所有迹象都在一条线上设置的setSortByPosition()不承认单独的列。 但是，如果我设置setSortByPosition()为假脱衣舞师正在做这种划分。

为了让我看看pdfBox源代码： 关键的方法是PDFTextStripper的writePage()方法。 这里空格（大多数pdf中没有给出）和换行符显然计算在内。 但我找不到Stripper是如何计算分栏符的。

所以再次提问：

• 如何PDFTextStripper计算分栏符？
• pdfBox API中是否有方法来捕捉这个/按列提取文本？
• 这可能与其他pdf-api？

在此先感谢

Answer 1

如果我设置在真PDFTextStripper一个页面的所有迹象都在一条线上设置的setSortByPosition（）不承认单独的列。但是如果我将setSortByPosition（）设置为false，剥离器将执行此分割。

[...] PDFTextStripper如何计算列中断？

不是。

通过设置SortByPosition到false你告诉PDFBox的到不尝试从页面内容流的文本块，但排序，而不是接受他们在他们出现的顺序。

在您的文档中，文本内容似乎是按照阅读顺序绘制的，即逐列显示。这不适用于所有文档，为了处理其他文档，PDFBox提供了从左到右，从上到下排序文本片段的选项。

在文档中激活该选项（设置SortByPosition至true）将返回与列无关的文本。

pdfBox API中有没有方法可以捕获这个/按列提取文本？

PDFBox不分析页面内容以识别列。但是，如果您进行分析，则允许您在将列矩形作​​为规则提供时逐列提取文本。