java - pdfbox 以什么顺序解析 pdf 文件？（假设一页多于 1 列）

Question

如果 pdf 文件的页面上有 2 列，pdfbox 是逐列还是逐行解析它？

标签： javaapache-poipdfbox

Answer 1

当您说“解析 PDF 文件”时，我假设您的意思是对其应用文本提取。在 PDFBox 的情况下，通常是通过PDFTextStripper类来实现的。

在这种情况下，答案是“视情况而定”。

• 默认情况下，PDFTextStripper按内容流中文本绘制指令的顺序提取。这通常对应于内容的逻辑顺序，因为 PDF 生成器通常具有按该顺序排列的输入并相应地生成输出，例如，通常会按列提取多列。

  但是不能保证这一点；文字绘图指令理论上可以是任何顺序；例如，首先可以绘制页面上的所有 'a'，然后绘制所有 'b'，...

  这样的混乱是非常罕见的。但是，如果 PDF 的内容既包含固定内容又包含动态内容，您可能经常首先看到固定内容，然后是提取文本中的动态内容。例如第一个标签，如“名字”、“姓氏”、“出生日期”……然后是值。

• 或者，您可以使用PDFTextStripper.setSortByPosition将SortByPosition属性设置为true。在这种情况下，PDFBox 会忽略绘图顺序并尝试逐行提取 PDF 文本。