如何使用pdfbox从pdf提取粗体文本?
我正在使用Apache
pdfbox提取文本。我可以从pdf中提取文本,但我不知道该单词是否为粗体?(代码建议会很好!!!)这是从pdf提取纯文本的代码,可以正常工作。
PDDocument document = PDDocument .load("/home/lipu/workspace/MRCPTester/test.pdf");
document.getClass();
if (document.isEncrypted()) {
try {
document.decrypt("");
} catch (InvalidPasswordException e) {
System.err.println("Error: Document is encrypted with a password.");
System.exit(1);
}
}
// PDFTextStripperByArea stripper = new PDFTextStripperByArea();
// stripper.setSortByPosition(true);
PDFTextStripper stripper = new PDFTextStripper();
stripper.setStartPage(1);
stripper.setEndPage(2);
stripper.setSortByPosition(true);
String st = stripper.getText(document);
回答:
的结果PDFTextStripper
是纯文本。因此,将其提取后为时已晚。但是,您可以覆盖某些方法,只允许根据您的意愿格式化的文本通过。
在这种情况下,PDFTextStripper
您必须覆盖
protected void processTextPosition( TextPosition text )
在您的替代中,您检查所讨论的文本是否满足您的要求(TextPosition
包含有关所讨论文本的很多信息,不仅是文本本身),如果满足,则将其转发TextPosition
text给super
实现。
但是,主要问题是要识别哪个文本为 。
粗体的 标准可能是字体名称中的 粗体 一词,例如 Courier-BoldOblique-
您使用来访问文本的字体,text.getFont()
并使用字体的方法来访问字体的 后记名称。getBaseFont()
String postscriptName = text.getFont().getBaseFont();
条件也可能来自字体描述符-您可以使用getFontDescriptor
方法获得字体的字体描述符,并且字体描述符具有可选的字体权重值
float fontWeight = text.getFont().getFontDescriptor().getFontWeight();
该值定义为
(可选; PDF 1.5;应用于带标签的PDF文档中的Type
3字体)完全限定的字体名称或字体说明符的粗细(厚度)部分。可能的值应为100、200、300、400、500、600、700、800或900,其中每个数字表示的权重至少与其前身一样暗。值400表示正常重量;
这些值的具体解释因字体而异。
示例300中的一种字体可能看起来与另一字体中的500最相似。
(表122,ISO 32000-1,第9.8.1节)
可能还有其他暗示要检查的 主义的提示,例如,较大的线宽
double lineWidth = getGraphicsState().getLineWidth();
当渲染模式绘制轮廓时:
int renderingMode = getGraphicsState().getTextState().getRenderingMode();
您可能需要尝试使用符合标准的手头文件。
以上是 如何使用pdfbox从pdf提取粗体文本? 的全部内容, 来源链接: utcz.com/qa/413539.html