PDFBox：テキストを抽出するときにPDF構造を維持する

Question

テーブルからいっぱいのPDFからテキストを抽出しようとしています。 場合によっては、列が空です。 PDFからテキストを抽出すると、emptysの列がスキップされ、空白に置き換えられます。したがって、私の正規表現では、この場所に情報のない列があることがわかりません。

画像をよりよく理解する：

：

私たちは列をPDFからテキストを抽出する私のコードの抽出されたテキスト

サンプルで尊重されていないことがわかります

PDFTextStripper reader = new PDFTextStripper(); 
      reader.setSortByPosition(true); 
      reader.setStartPage(page); 
      reader.setEndPage(page); 
      String st = reader.getText(document); 
      List<String> lines = Arrays.asList(st.split(System.getProperty("line.separator"))); 

元のPDFのテキストを抽出する際、元のPDFの完全な構造を維持するにはどうすればよいですか？

ありがとうございます。

Answer 1

（元はthe answer (dated Feb 6 '15) to another questionです）すべての回答を含めOPが削除されましたが、回答のコードはまだPDFBox 1.8.xに基づいているため、PDFBox 2.0で実行するにはいくつかの変更が必要な場合があります.X。）コメントはOPで

は手での質問の場合に役立つ可能性があるPDFファイルのレイアウトを反映しようとすると、テキストの行を返すようにPDFBox PDFTextStripperを拡張するためのソリューションに興味を示しました。

概念実証そのためには、このクラスのようになります。

public class LayoutTextStripper extends PDFTextStripper 
{ 
    public LayoutTextStripper() throws IOException 
    { 
     super(); 
    } 

    @Override 
    protected void startPage(PDPage page) throws IOException 
    { 
     super.startPage(page); 
     cropBox = page.findCropBox(); 
     pageLeft = cropBox.getLowerLeftX(); 
     beginLine(); 
    } 

    @Override 
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException 
    { 
     float recentEnd = 0; 
     for (TextPosition textPosition: textPositions) 
     { 
      String textHere = textPosition.getCharacter(); 
      if (textHere.trim().length() == 0) 
       continue; 

      float start = textPosition.getTextPos().getXPosition(); 
      boolean spacePresent = endsWithWS | textHere.startsWith(" "); 

      if (needsWS | spacePresent | Math.abs(start - recentEnd) > 1) 
      { 
       int spacesToInsert = insertSpaces(chars, start, needsWS & !spacePresent); 

       for (; spacesToInsert > 0; spacesToInsert--) 
       { 
        writeString(" "); 
        chars++; 
       } 
      } 

      writeString(textHere); 
      chars += textHere.length(); 

      needsWS = false; 
      endsWithWS = textHere.endsWith(" "); 
      try 
      { 
       recentEnd = getEndX(textPosition); 
      } 
      catch (IllegalArgumentException | IllegalAccessException | NoSuchFieldException | SecurityException e) 
      { 
       throw new IOException("Failure retrieving endX of TextPosition", e); 
      } 
     } 
    } 

    @Override 
    protected void writeLineSeparator() throws IOException 
    { 
     super.writeLineSeparator(); 
     beginLine(); 
    } 

    @Override 
    protected void writeWordSeparator() throws IOException 
    { 
     needsWS = true; 
    } 

    void beginLine() 
    { 
     endsWithWS = true; 
     needsWS = false; 
     chars = 0; 
    } 

    int insertSpaces(int charsInLineAlready, float chunkStart, boolean spaceRequired) 
    { 
     int indexNow = charsInLineAlready; 
     int indexToBe = (int)((chunkStart - pageLeft)/fixedCharWidth); 
     int spacesToInsert = indexToBe - indexNow; 
     if (spacesToInsert < 1 && spaceRequired) 
      spacesToInsert = 1; 

     return spacesToInsert; 
    } 

    float getEndX(TextPosition textPosition) throws IllegalArgumentException, IllegalAccessException, NoSuchFieldException, SecurityException 
    { 
     Field field = textPosition.getClass().getDeclaredField("endX"); 
     field.setAccessible(true); 
     return field.getFloat(textPosition); 
    } 

    public float fixedCharWidth = 3; 

    boolean endsWithWS = true; 
    boolean needsWS = false; 
    int chars = 0; 

    PDRectangle cropBox = null; 
    float pageLeft = 0; 
} 

それは、このように使用されます。

PDDocument document = PDDocument.load(PDF); 

LayoutTextStripper stripper = new LayoutTextStripper(); 
stripper.setSortByPosition(true); 
stripper.fixedCharWidth = charWidth; // e.g. 5 

String text = stripper.getText(document); 

fixedCharWidthが想定文字幅です。問題のPDFの記述に応じて、異なる値がより適切かもしれません。私のサンプル文書では、3..6の値が重要でした。

本質的に、this answerのiTextの類似ソリューションをエミュレートします。 iTextテキスト抽出はテキストチャンクを転送し、PDFBoxテキスト抽出は個々の文字を転送するため、結果は少し異なります。

これは単なる概念の証明であることにご注意ください。特に考慮していない