マルチカラムPDFからのテキスト抽出の改善

マルチカラムレイアウトは、読み順と抽出品質を向上させるために、追加の処理が必要になることがよくあります。

フォントサイズを縮小した後のテキストの抽出

この手法は、テキストフラグメントのフォントサイズを更新し、調整されたドキュメントをメモリに保存した後、変換された結果からテキストを抽出します。

1. ソース PDF を Document インスタンスで開いてください。
2. TextFragmentAbsorber を作成し、すべてのドキュメントページを訪問して TextFragment オブジェクトを収集してください。
3. フラグメントを反復処理し、要求された比率で各フォントサイズを縮小してください。これにより、抽出前に密な列レイアウトを正規化できます。
4. 調整された Document をメモリ内バイトストリームに保存してください。
5. そのメモリバッファから、2番目の Document を再度開いてください。
6. TextAbsorber を作成し、変換されたドキュメントのすべてのページを訪問して、抽出されたテキストを出力ファイルに書き込んでください。

public static void extractTextReduceFont(Path inputFile, Path outputFile, double reduceRatio) throws Exception {
    try (Document document = new Document(inputFile.toString())) {
        TextFragmentAbsorber fragmentAbsorber = new TextFragmentAbsorber();
        document.getPages().accept(fragmentAbsorber);
        for (TextFragment fragment : fragmentAbsorber.getTextFragments()) {
            fragment.getTextState().setFontSize((float) (fragment.getTextState().getFontSize() * reduceRatio));
        }

        ByteArrayOutputStream stream = new ByteArrayOutputStream();
        document.save(stream);
        try (Document document2 = new Document(new ByteArrayInputStream(stream.toByteArray()))) {
            TextAbsorber textAbsorber = new TextAbsorber();
            document2.getPages().accept(textAbsorber);
            Files.writeString(outputFile, textAbsorber.getText());
        }
    }
}

スケールファクターでテキストの抽出

TextExtractionOptions を純粋なフォーマットモードで使用し、列が多いレイアウトのスケール係数を調整してください。

1. ソース PDF を Document インスタンスで開いてください。
2. TextAbsorber を全ドキュメント抽出用に作成してください。
3. TextExtractionOptions を純粋なフォーマットモードで作成し、レイアウトに敏感な抽出動作が使用されるようにしてください。
4. ページを訪問する前に、スケールファクターを設定し、抽出オプションをアブソーバーに適用してください。
5. すべてのドキュメントページを訪問し、抽出されたテキストを出力ファイルに書き込んでください。

public static void extractTextScaleFactor(Path inputFile, Path outputFile, double scaleFactor) throws Exception {
    try (Document document = new Document(inputFile.toString())) {
        TextAbsorber textAbsorber = new TextAbsorber();
        TextExtractionOptions extractionOptions =
                new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
        extractionOptions.setScaleFactor(scaleFactor);
        textAbsorber.setExtractionOptions(extractionOptions);
        document.getPages().accept(textAbsorber);
        Files.writeString(outputFile, textAbsorber.getText());
    }
}