提取与路线的位置的所有文本从PDF

Question

这似乎是一个老问题，但我没有找到花半小时寻遍打完一个详尽的答案。

我使用PDFBox的，我愿与每个字符串的坐标沿着提取所有文字从一个PDF文件。我使用他们的PrintTextLocations例子（http://pdfbox.apache.org/apidocs/org/apache/pdfbox/examples/util/PrintTextLocations.html），但那种PDF我在用的（电子机票）的程序无法识别字符串，分别打印每个字符。输出是一个字符串列表（每个代表TextPosition对象）是这样的：

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 

虽然我想程序才能识别字符串“销售”作为一个独特的TextPosition，并给我自己的立场。我也尝试玩setSpacingTolerance()和setAverageCharacterTolerance()PDFTextStripper方法，在标准值（分别为FYI分别为0.5和0.3）上设置不同的值，但输出完全没有变化。我哪里错了？提前致谢。

Answer 1

至于乔伊提到，PDF只是一个指令，告诉您应打印某个字符集。

为了提取的词或行，你将不得不执行一些数据分割：研究的字符的边界框应该让你认识那些在相同的行，然后其中一个形式的话。