Поиск и Извлечение Текста со Страниц PDF Документа

Поиск и Извлечение Текста со Всех Страниц PDF Документа

TextFragmentAbsorber позволяет найти текст, соответствующий определенной фразе, на всех страницах PDF документа.

Чтобы искать текст во всем документе, вызовите метод accept() коллекции Pages. The accept() метод принимает объект TextFragmentAbsorber в качестве параметра, который возвращает коллекцию объектов TextFragment. Пройдитесь по всем фрагментам, чтобы получить их свойства, например, Text, Position, XIndent, YIndent, FontName, FontSize, IsAccessible, IsEmbedded, IsSubset, ForegroundColor и т. д.

Следующий фрагмент кода показывает, как выполнить поиск по всему документу и вывести все совпадения в консоль.

// Открыть документ
Document pdfDocument = new Document("input.pdf");

// Создать объект TextAbsorber для поиска всех экземпляров входной поисковой фразы
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("sample");

// Применить абсорбер ко всем страницам
pdfDocument.getPages().accept(textFragmentAbsorber);

// Извлечь фрагменты текста в коллекцию
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.getTextFragments();

// Пройтись по фрагментам
for (TextFragment textFragment : (Iterable<TextFragment>) textFragmentCollection) {
    System.out.println("Текст :- " + textFragment.getText());
    System.out.println("Позиция :- " + textFragment.getPosition());
    System.out.println("Отступ по X :- " + textFragment.getPosition().getXIndent());
    System.out.println("Отступ по Y :- " + textFragment.getPosition().getYIndent());
    System.out.println("Шрифт - Имя :- " + textFragment.getTextState().getFont().getFontName());
    System.out.println("Шрифт - Доступен :- " + textFragment.getTextState().getFont().isAccessible());
    System.out.println("Шрифт - Встроен - " + textFragment.getTextState().getFont().isEmbedded());
    System.out.println("Шрифт - Подмножество :- " + textFragment.getTextState().getFont().isSubset());
    System.out.println("Размер шрифта :- " + textFragment.getTextState().getFontSize());
    System.out.println("Цвет переднего плана :- " + textFragment.getTextState().getForegroundColor());
}

Для поиска текста на определенной странице и получения связанных с ним свойств укажите индекс страницы:

// Применяем абсорбер для первой страницы документа
pdfDocument.getPages().get_Item(1).accept(textFragmentAbsorber);

Поиск и получение текстовых сегментов со страниц PDF

Для поиска текстовых сегментов на всех страницах в документе получите объекты TextFragment документа.

TextFragmentAbsorber позволяет находить текст, соответствующий определенной фразе, на всех страницах PDF-документа. Чтобы искать текст во всем документе, вызовите метод accept() коллекции Pages. Метод accept() принимает объект TextFragmentAbsorber в качестве параметра, который возвращает коллекцию объектов TextFragment.

Следующий фрагмент кода показывает, как искать текстовые сегменты на всех страницах.

// Открыть документ
Document pdfDocument = new Document("input.pdf");

// Создать объект TextAbsorber для поиска всех экземпляров входной фразы
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("sample");

// Принять абсорбер для первой страницы документа
pdfDocument.getPages().accept(textFragmentAbsorber);

// Получить извлеченные текстовые фрагменты в коллекцию
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.getTextFragments();

// Перебрать текстовые фрагменты
for (TextFragment textFragment : (Iterable<TextFragment>) textFragmentCollection) {
    // Перебрать текстовые сегменты
    for (TextSegment textSegment : (Iterable<TextSegment>) textFragment.getSegments()) {
        System.out.println("Текст :- " + textSegment.getText());
        System.out.println("Позиция :- " + textSegment.getPosition());
        System.out.println("XIndent :- " + textSegment.getPosition().getXIndent());
        System.out.println("YIndent :- " + textSegment.getPosition().getYIndent());
        System.out.println("Шрифт - Имя :- " + textSegment.getTextState().getFont().getFontName());
        System.out.println("Шрифт - Доступен :- " + textSegment.getTextState().getFont().isAccessible());
        System.out.println("Шрифт - Встроенный - " + textSegment.getTextState().getFont().isEmbedded());
        System.out.println("Шрифт - Подмножество :- " + textSegment.getTextState().getFont().isSubset());
        System.out.println("Размер шрифта :- " + textSegment.getTextState().getFontSize());
        System.out.println("Цвет переднего плана :- " + textSegment.getTextState().getForegroundColor());
    }
}

Чтобы найти определенный текстовый сегмент и получить связанные с ним свойства, укажите индекс страницы для страницы, которую вы хотите искать:

// Примените абсорбер к первой странице документа.
pdfDocument.getPages().get_Item(1).accept(textFragmentAbsorber);

Поиск и извлечение текста со страниц с использованием регулярного выражения

TextFragmentAbsorber помогает искать и извлекать текст со всех страниц в документе, основываясь на регулярном выражении.

Чтобы найти и извлечь текст из документа:

  1. Передайте поисковый термин в виде регулярного выражения в конструктор TextFragmentAbsorber.

  2. Установите свойство TextSearchOptions объекта TextFragmentAbsorber. Это свойство требует объект TextSearchOptions: передайте true в его конструктор при создании нового объекта.

  3. Чтобы извлечь совпадающий текст со всех страниц, вызовите метод accept() коллекции Pages.

    TextFragmentAbsorber возвращает TextFragmentCollection, содержащий все фрагменты, соответствующие критериям, указанным в регулярном выражении.

Следующий фрагмент кода показывает, как искать все страницы в документе и получать текст на основе регулярного выражения.

// Открыть документ
Document pdfDocument = new Document("source.pdf");

// Создать объект TextAbsorber для поиска всех экземпляров входной поисковой фразы
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("\\d{4}-\\d{4}"); // например, 1999-2000

// Установить опцию поиска текста для указания использования регулярного выражения
TextSearchOptions textSearchOptions = new TextSearchOptions(true);
textFragmentAbsorber.setTextSearchOptions(textSearchOptions);

// Применить абсорбер для первой страницы документа
pdfDocument.getPages().accept(textFragmentAbsorber);

// Получить извлеченные фрагменты текста в коллекцию
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.getTextFragments();

// Перебрать фрагменты
for (TextFragment textFragment : (Iterable<TextFragment>) textFragmentCollection) {
    System.out.println("Текст :- " + textFragment.getText());
    System.out.println("Позиция :- " + textFragment.getPosition());
    System.out.println("XIndent :- " + textFragment.getPosition().getXIndent());
    System.out.println("YIndent :- " + textFragment.getPosition().getYIndent());
    System.out.println("Шрифт - Название :- " + textFragment.getTextState().getFont().getFontName());
    System.out.println("Шрифт - Доступен :- " + textFragment.getTextState().getFont().isAccessible());
    System.out.println("Шрифт - Встроен - " + textFragment.getTextState().getFont().isEmbedded());
    System.out.println("Шрифт - Подмножество :- " + textFragment.getTextState().getFont().isSubset());
    System.out.println("Размер шрифта :- " + textFragment.getTextState().getFontSize());
    System.out.println("Цвет переднего плана :- " + textFragment.getTextState().getForegroundColor());
}

Для поиска текста на определенной странице и получения его свойств укажите индекс страницы:

// Применить абсорбер для первой страницы документа.
pdfDocument.getPages().get_Item(1).accept(textFragmentAbsorber)

Чтобы искать строку в верхнем или нижнем регистре, можно рассмотреть возможность использования регулярного выражения.

TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("(?i)Line", new TextSearchOptions(true));

Пример:

TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("[\\S]+");
Поворот текста внутри PDF Определение Разрыва Строки