JAVA PDFbox 坐标选区提取文字

最新推荐文章于 2024-08-14 08:25:34 发布

对明天的期待丶

最新推荐文章于 2024-08-14 08:25:34 发布

阅读量4.2k

点赞数 1

分类专栏： JAVA

本文链接：https://blog.csdn.net/qq_39429962/article/details/84261310

版权

本文介绍了如何利用JAVA的PDFbox库，通过坐标矩形选区从PDF中提取文字。PDFbox默认按行提取，但通过坐标选择可以满足非顺序排列的文本提取需求。文中提供了解析矩形区域和提取所有文本的步骤及代码示例。

摘要由CSDN通过智能技术生成

pdfboxjar包默认是按照行来提取文字的，但是我们的pdf可能并是按照行来进行排序的，那么我们就可能用到坐标矩形选区操作，选取固定区域的文字，原理大家不必纠结，我们只需要拿来用即可，他只是一个工具类，需要时，我们还可以去查与官方文档，去组装自己需要的功能。

提取矩形区域内容：

1、导入pdfboxjar包（每个版本的操作都不一样），这里我使用的是maven

<dependency>
   	<groupId>org.apache.pdfbox</groupId>
   	<artifactId>pdfbox</artifactId>
    <version>1.8.13</version>
</dependency>

2、使用如下代码可以提取文字

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.util.PDFTextStripperByArea;

import java.awt.Rectangle;
import java.io.File;
import java.util.List;


public class ExtractTextByArea{
	

	public static void main( String[] args ) throws Exception{
		String file = "C:/Users/Desktop/Wistron 201808 KR HK08 Sorting Handling Fee Invoice 6000499146.p