JAVA PDFbox 坐标选区提取文字

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
PDFBox 是一个用于处理 PDF 文档的 Java 库。要按块提取 PDF 文档中的文字内容,可以使用 PDFTextStripper 类提供的方法。以下是一个示例代码: ```java import java.io.File; import java.io.IOException; import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.text.PDFTextStripper; import org.apache.pdfbox.text.TextPosition; public class TextStripperWithPosition extends PDFTextStripper { public TextStripperWithPosition() throws IOException { super(); } @Override protected void writeString(String string, List<TextPosition> textPositions) throws IOException { // 处理每个文本块 for (TextPosition text : textPositions) { System.out.println("坐标:" + text.getXDirAdj() + ", " + text.getYDirAdj()); System.out.println("内容:" + text.getUnicode()); } } public static void main(String[] args) throws IOException { String fileName = "test.pdf"; try (PDDocument document = PDDocument.load(new File(fileName))) { PDFTextStripper stripper = new TextStripperWithPosition(); stripper.setSortByPosition(true); stripper.setStartPage(0); stripper.setEndPage(document.getNumberOfPages()); // 提取文字内容 stripper.getText(document); } } } ``` 在这个示例中,我们继承了 PDFTextStripper 类,并重写了 writeString 方法。这个方法会在 PDF 文档中找到一个文本块时被调用。我们可以从 TextPosition 对象中获取每个文本块的坐标和内容。在 main 方法中,我们创建一个 TextStripperWithPosition 对象,并设置了一些参数,然后调用 getText 方法来提取 PDF 文档中的文字内容。
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值