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

textsuper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

回到顶部