Anotaciones y texto especial usando Java

Extraer texto resaltado

Iterar a través de las anotaciones de la página y leer el texto marcado de HighlightAnnotation.

1. Abra el PDF de origen en una instancia de Document.
2. Itere a través del Annotation objetos en el objetivo Page.
3. Verifique si cada anotación es un HighlightAnnotation antes de hacer casting a la clase de anotación tipada.
4. Lea el texto marcado de cada anotación de resaltado y imprímalo en la consola.

public static void extractHighlightedText(Path inputFile) {
    try (Document document = new Document(inputFile.toString())) {
        for (Annotation annotation : document.getPages().get_Item(1).getAnnotations()) {
            if (annotation instanceof HighlightAnnotation) {
                HighlightAnnotation highlightAnnotation = (HighlightAnnotation) annotation;
                System.out.println(highlightAnnotation.getMarkedText());
            }
        }
    }
}

Extraer texto de anotaciones de sello

Lea el flujo de apariencia normal de una anotación de sello y páselo TextAbsorber.

1. Abra el PDF de origen en una instancia de Document.
2. Itere a través del Annotation objetos en el objetivo Page.
3. Filtre las anotaciones a aquellas cuyo tipo es Stamp.
4. Cree una TextAbsorber y solicite la entrada de apariencia normal del diccionario de apariencias de la anotación de sello.
5. Visite la apariencia XForm y imprima el texto extraído.

public static void extractStampText(Path inputFile) {
    try (Document document = new Document(inputFile.toString())) {
        for (Annotation annotation : document.getPages().get_Item(1).getAnnotations()) {
            if (annotation.getAnnotationType() == AnnotationType.Stamp) {
                TextAbsorber absorber = new TextAbsorber();
                Object[] xforms = new Object[1];
                if (annotation.getAppearance().tryGetValue("N", xforms) && xforms[0] instanceof XForm) {
                    absorber.visit((XForm) xforms[0]);
                    System.out.println(absorber.getText());
                }
            }
        }
    }
}

Extraer detalles de texto de superíndice y subíndice

Utilice TextFragmentAbsorber cuando necesites tanto el texto extraído como las banderas de superíndice o subíndice en cada fragmento.

1. Abra el PDF de origen en una instancia de Document.
2. Cree una TextFragmentAbsorber para el análisis de texto a nivel de fragmento.
3. Visite el objetivo Page y recopile su TextFragment objetos.
4. Itere a través de esos fragmentos y lea el texto junto con las banderas de superíndice y subíndice de fragment.getTextState().
5. Escriba los detalles extraídos en el archivo de salida.

public static void extractSuperSubDetails(Path inputFile, Path outputFile, int pageNumber) throws Exception {
    try (Document document = new Document(inputFile.toString())) {
        TextFragmentAbsorber absorber = new TextFragmentAbsorber();
        document.getPages().get_Item(pageNumber).accept(absorber);
        StringBuilder details = new StringBuilder();
        for (TextFragment fragment : absorber.getTextFragments()) {
            details.append("Text: '").append(fragment.getText())
                    .append("' | Superscript: ").append(fragment.getTextState().isSuperscript())
                    .append(" | Subscript: ").append(fragment.getTextState().isSubscript())
                    .append(System.lineSeparator());
        }
        Files.writeString(outputFile, details.toString());
    }
}