小编典典
问题中的代码无法读取行中突出显示的确切文本,已经说明了大多数概念,这些概念可用于从具有PDFBox的页面上的有限内容区域提取文本。
在研究了这段代码之后,OP仍在想一个注释:
但是令我困惑的一件事是 QuadPoints 而不是 Rect
。正如您在评论中提到的那样。这是什么,您能用一些代码行还是用简单的词来解释,因为我也面临着多行高度的相同问题?
通常,注释所指的区域是矩形:
Rect 矩形 (必需) 注释矩形,以默认用户空间单位定义注释在页面上的位置。
(摘自表164 – ISO 32000-1中所有注释词典共有的条目)
对于某些注释类型(例如,文本标记),此位置值不足,因为:
标记文本的书写角度可能有些奇怪,但是规范中提到的 矩形 类型是指边缘与页面边缘平行的矩形;和
要标记的文本可能在一行的任何地方开始,而在另一行的任何地方结束,因此标记区域根本不是矩形,而是多个矩形部分的结合。
因此,为了应对此类注释类型,PDF规范提供了一种更通用的方式来定义区域:
QuadPoints array (必需)
一个8×n数字的数组,用于指定默认用户空间中n个四边形的坐标。每个四边形应在注释下方的文本中包含一个单词或一组连续单词。每个四边形的坐标应按顺序给出
x 1 y 1 x 2 y 2 x 3 y 3 x 4 y 4
以逆时针顺序指定四边形的四个顶点(请参见图64)。文本应相对于边缘连接点(x 1,y 1)和(x 2,y 2)定向。
(摘自表179 – ISO 32000-1中特定于文本标记注释的其他条目)
因此,代替由给定的矩形
PDRectangle rect = pdfAnnot.getRectangle();
在所引用问题]的代码中,您必须考虑由给出的四边形
COSArray quadsArray = (COSArray) pdfAnnot.getDictionary().getDictionaryObject(COSName getPDFName("QuadPoints"));
并相应地定义区域PDFTextStripperByArea
stripper。不幸的是,PDFTextStripperByArea.addRegion期望矩形作为参数,而不是通用的四边形。由于文本通常是水平或垂直打印的,因此不会造成太大的问题。
PS 关于 QuadPoints
规格的警告,在实际的PDF中顺序可能有所不同,请参见。问题PDF规格VS创建的Acrobat(QuadPoints)。
2020-10-20