前段时间使用了一下pdfbox(1.6.0)的文本提取功能,发现很好用。但是能给出的比较准确的结果只有行的粒度,后来又有了定位文章题目、章节标题、自然段落的需求,pdfbox目前好像没有这方面的支持(尤其是对于中文的期刊论文而言,排版情况很复杂,如一页中存在多篇文章混排等),只能先从比较低层次的字符提取入手,但需要保留字符的位置、大小、字体等信息,pdfbox源码中的一个小例子PrintTextLocatins比较接近,但未给出字体信息,本人这里仿照它重新定义了一个PrintTextLocatins2类,代码如下:
import org.apache.pdfbox.util.PDFTextStripper;
import org.apache.pdfbox.util.TextPosition;
import java.io.IOException;
public class PrintTextLocatins2 extends PDFTextStripper{
private static int BOLD_F_NUM = 2;
private static String[] BOLD_FLAGS = {"Bold", "CAJ FNT04"};
private static int ITALIC_F_NUM = 2;
private static String[] ITALIC_FLAGS = {"Italic", "CAJ FNT03"};
private static boolean IsBold(String font)
{
int i;
for (i = 0; i < BOLD_F_NUM; i++)
if (font.contains(BOLD_FLAGS[i]))
return true