PDFから段落を抽出する

段落形式でPDFドキュメントからテキストを抽出する

特定のテキスト (“プレーンテキスト” または “正規表現” を使用) を単一ページまたは全体のドキュメントから検索することでPDFドキュメントからテキストを取得することができます。また、単一ページ、ページ範囲、または全体のドキュメントの完全なテキストを取得することもできます。 しかし、場合によっては、PDFドキュメントから段落を抽出する必要があるか、段落の形式でテキストを抽出する必要があります。PDFドキュメントページのテキスト内のセクションや段落を検索する機能を実装しました。ParagraphAbsorberクラス（TextFragmentAbsorberやTextAbsorberのようなもの）を導入し、PDFドキュメントから段落を抽出するために使用できます。ParagraphAbsorberを使用するには、以下の2つの方法があります。

1- PDFページ上のテキストのセクションと段落の境界を描画することによって：

public static void ExtractParagraph() {
    // ドキュメントディレクトリへのパス。
    Document doc = new Document(_dataDir + "input.pdf");
    Page page = doc.getPages().get_Item(2);

    ParagraphAbsorber absorber = new ParagraphAbsorber();
    absorber.visit(page);

    PageMarkup markup = absorber.getPageMarkups().get(0);

    for (MarkupSection section : markup.getSections()) {
        DrawRectangleOnPage(section.getRectangle(), page);
        for (MarkupParagraph paragraph : section.getParagraphs()) {
            DrawPolygonOnPage(paragraph.getPoints(), page);
        }
    }

    doc.save(_dataDir + "output_out.pdf");
}

private static void DrawRectangleOnPage(Rectangle rectangle, Page page) {
    page.getContents().add(new GSave());
    page.getContents().add(new ConcatenateMatrix(1, 0, 0, 1, 0, 0));
    page.getContents().add(new SetRGBColorStroke(0, 1, 0));
    page.getContents().add(new SetLineWidth(2));
    page.getContents().add(new Re(rectangle.getLLX(), rectangle.getLLY(), rectangle.getWidth(), rectangle.getHeight()));
    page.getContents().add(new ClosePathStroke());
    page.getContents().add(new GRestore());
}

private static void DrawPolygonOnPage(Point[] polygon, Page page) {
    page.getContents().add(new GSave());
    page.getContents().add(new ConcatenateMatrix(1, 0, 1, 0, 0, 0));
    page.getContents().add(new SetRGBColorStroke(0, 0, 1));
    page.getContents().add(new SetLineWidth(1));
    page.getContents().add(new MoveTo(polygon[0].getX(), polygon[0].getY()));
    for (int i = 1; i < polygon.length; i++) {
        page.getContents().add(new LineTo(polygon[i].getX(), polygon[i].getY()));
    }
    page.getContents().add(new LineTo(polygon[0].getX(), polygon[0].getY()));
    page.getContents().add(new ClosePathStroke());
    page.getContents().add(new GRestore());
}

2- 段落コレクションを反復処理してそのテキストを取得することによって:

public static void ExtractParagraph02() {
        // 既存のPDFファイルを開く
        Document doc = new Document(_dataDir + "input.pdf");
        // ParagraphAbsorberをインスタンス化
        ParagraphAbsorber absorber = new ParagraphAbsorber();
        absorber.visit(doc);

        for (PageMarkup markup : absorber.getPageMarkups()) {
            int i = 1;
            for (MarkupSection section : markup.getSections()) {
                int j = 1;

                for (MarkupParagraph paragraph : section.getParagraphs()) {
                    StringBuilder paragraphText = new StringBuilder();

                    for (java.util.List<TextFragment> line : paragraph.getLines()) {
                        for (TextFragment fragment : line) {
                            paragraphText.append(fragment.getText());
                        }
                        paragraphText.append("\r\n");
                    }
                    paragraphText.append("\r\n");

                    System.out.println("ページ" + markup.getNumber() + "のセクション" + i + "の段落" + j + ":");
                    System.out.println(paragraphText.toString());

                    j++;
                }
                i++;
            }
        }
    }