如何确定PDF中多行文本的坐标答案

【问题标题】：How to determine coordinates of multi-line text in PDF如何确定PDF中多行文本的坐标
【发布时间】：2019-01-22 15:27:59
【问题描述】：

我正在使用 Apache PdfBox 2.0 来解析 pdf 文件。有了一些固定的字符串，我能够创建一个基于：

固定文本，作为起点
下一个单元格/文本位置，或 null
底部区域，用于确定矩形的高度。

使用起点，我正在计算 x 和 y（见下图 PDF 框中的 pdf 结构：

使用“下一个”文本块（这是另一个固定值，例如字段或表格标题），我正在使用公式确定所需区域的宽度：

width = second.x - first.x

或类似的东西。因此，例如，在表格中，预先知道标题名称，很容易检测列。我正在尝试做的（到目前为止未能以准确的方式这样做）是确定 pdf 表中的行。此表有时包含某些列中的缺失值以及某些行/列的多行值。我已经扩展了我的“系统”（第一，下一个，底部）以与表格行一起工作，当我有“规范化”表格（例如，没有空格和/或至少没有多行值）时，这非常有用。但它不适用于现实世界的数据，因为到目前为止我找不到确定多行值位置（x、y、宽度、高度）的方法。 PDF Box甚至可以做到这一点吗？有人建议先将pdf转换为html，然后再解析html。这是一个可行的选择吗？有人使用过this 库吗？接下来我会尝试使用它。

【问题讨论】：

如果您只是使用文本绘图操作符，则从 PDF 解析表格数据并非易事。如果幸运的话，PDF 会被标记，您可以离开结构树而不是提取的文本。您知道您将使用的 PDF 是否被标记？
我其实有pdf文件，但我不知道如何检查它是否被标记。
致电document.getDocumentCatalog.getStructTreeRoot()。（可能有错字）它是空的吗？那么它没有被标记。
我已经评估了表达式：document.getDocumentCatalog().getStructureTreeRoot()，它为空。因此，我猜它没有被标记。
更多可能有用也可能没用的东西：stackoverflow.com/questions/38931422/… 和 PrintTextLocations.java 示例。另请参阅“Tabula”项目。

标签： java parsing pdf pdfbox multiline

【解决方案1】：

就像我在之前的 cmets 中所说的那样，我找到了解决问题的部分方法。这是基于两件事：

首先，我假设每个表的一列仅包含不超过 1 行的不同值。
接下来，由于我在文档中也有一些固定的文本，我已经确定了这些文本的坐标，并将它们用作包含我要提取的文本的区域的分隔符。例如，“当前、下一个、底部”系统（我称之为）可以包含例如：“列名 A”、“列名 B”、“固定文本 C”（或同一表中的第二行 - 确定基于唯一的单行值）。

它并不完美，如果固定文本可能在文档中出现多次，则可能会出现问题。当然，可以通过使用垂直坐标等过滤正确的出现来进行改进，但是目前我将关闭这个问题，因为这个问题似乎没有标准答案，目前也没有开源库能够从 pdf 中提取表格数据。

【讨论】：