在特定行之后获取 PDF 文件的行

Question

我使用Apache PDFBox 来解析 pdf 文件中的文本。我试图在特定行之后获得一行。

PDDocument document = PDDocument.load(new File("my.pdf"));
if (!document.isEncrypted()) {
    PDFTextStripper stripper = new PDFTextStripper();
    String text = stripper.getText(document);
    System.out.println("Text from pdf:" + text);
} else{
    log.info("File is encrypted!");
}
document.close();

示例：

第 1 句，文件第 n 行

需要的线路

第 3 句，文件第 n+2 行

我试图从数组中的文件中获取所有行，但它不稳定，因为无法过滤到特定文本。这也是第二个解决方案中的问题，这就是为什么我正在寻找基于PDFBox 的解决方案。 解决方案一：

String[] lines = myString.split(System.getProperty("line.separator"));

解决方案 2：

String neededline = (String) FileUtils.readLines(file).get("n+2th")

Answer 1

事实上，PDFTextStripper 类的 source code 使用与您完全相同的行结尾，因此您的第一次尝试使用 PDFBox 尽可能接近正确。

你看，PDFTextStrippergetText 方法调用了writeText 方法，它只是用writeString 方法逐行写入输出缓冲区，方法与您已经尝试过的完全相同。此方法返回的结果是 buffer.toString()。

因此，给定格式良好的 PDF，您真正要问的问题似乎是如何过滤特定文本的数组。以下是一些想法：

首先，你像你说的那样在一个数组中捕获行。

import java.io.File;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public class Main {

    static String[] lines;

    public static void main(String[] args) throws Exception {
        PDDocument document = PDDocument.load(new File("my2.pdf"));
        PDFTextStripper stripper = new PDFTextStripper();
        String text = stripper.getText(document);
        lines = text.split(System.getProperty("line.separator"));
        document.close();
    }
}

这是一个通过任意行号索引获取完整字符串的方法，简单：

// returns a full String line by number n
static String getLine(int n) {
    return lines[n];
}

这是一个线性搜索方法，它找到一个字符串匹配并返回找到的第一个行号。

// searches all lines for first line index containing `filter`
static int getLineNumberWithFilter(String filter) {
    int n = 0;
    for(String line : lines) {
        if(line.indexOf(filter) != -1) {
            return n;
        }
        n++;
    }
    return -1;
}

通过上述方法，可以只获取匹配搜索的行号：

System.out.println(getLine(8)); // line 8 for example

或者，包含匹配搜索的整个字符串行：

System.out.println(lines[getLineNumberWithFilter("Cat dog mouse")]);

这一切看起来都非常简单，并且仅在行可以通过行分隔符拆分为数组的假设下才有效。如果解决方案不像上述想法那么简单，我相信问题的根源可能不在于您使用 PDFBox 的实现，而在于您尝试发送文本的 PDF 源。

这是一个教程的链接，它也可以做你想做的事情：

https://www.tutorialkart.com/pdfbox/extract-text-line-by-line-from-pdf/

再次，同样的方法......