使用 Java 的基于区域的提取

从矩形页面区域提取文本

使用 TextSearchOptions 带有一个 Rectangle 将提取限制在页面的指定区域。

1. 使用 Document 实例打开源 PDF。
2. 创建一个 TextAbsorber 用于从选定的页面区域收集文本。
3. 创建 TextSearchOptions 针对目标 Rectangle 并启用 setLimitToPageBounds(true) 因此，提取保持在可见页面框内。
4. 将配置好的搜索选项应用于吸收器并访问目标 Page。
5. 将提取的文本缓冲区写入输出文件。

public static void extractTextFromRegion(Path inputFile, Path outputFile, int pageNumber, Rectangle rectangle)
        throws Exception {
    try (Document document = new Document(inputFile.toString())) {
        TextAbsorber absorber = new TextAbsorber();
        TextSearchOptions options = new TextSearchOptions(rectangle);
        options.setLimitToPageBounds(true);
        absorber.setTextSearchOptions(options);
        document.getPages().get_Item(pageNumber).accept(absorber);
        Files.writeString(outputFile, absorber.getText());
    }
}

提取带有几何信息的段落

使用 ParagraphAbsorber 检查节矩形和段落多边形以及提取的文本。

1. 使用 Document 实例打开源 PDF。
2. 创建一个 ParagraphAbsorber 并访问目标 Page 以构建页面标记信息。
3. 读取第一个页面标记结果并遍历其章节和段落。
4. 收集每个章节矩形、段落多边形，以及从中重建的段落文本。 TextFragment 行。
5. 构建带有几何和提取文本详细信息的输出报告。
6. 将提取的详细信息写入输出文件。

public static void extractParagraphsWithGeometry(Path inputFile, Path outputFile) throws Exception {
    try (Document document = new Document(inputFile.toString())) {
        ParagraphAbsorber absorber = new ParagraphAbsorber();
        absorber.visit(document.getPages().get_Item(1));

        PageMarkup pageMarkup = absorber.getPageMarkups().get(0);
        StringBuilder text = new StringBuilder();
        int sectionIndex = 1;
        for (MarkupSection section : pageMarkup.getSections()) {
            text.append("Section ").append(sectionIndex)
                    .append(": rectangle = ").append(section.getRectangle()).append("\n");
            int paragraphIndex = 1;
            for (MarkupParagraph paragraph : section.getParagraphs()) {
                text.append("  Paragraph ").append(paragraphIndex)
                        .append(": polygon = ").append(Arrays.toString(paragraph.getPoints())).append("\n");
                StringBuilder paragraphText = new StringBuilder();
                for (List<TextFragment> line : paragraph.getLines()) {
                    for (TextFragment fragment : line) {
                        paragraphText.append(fragment.getText());
                    }
                    paragraphText.append("\r\n");
                }
                text.append("    Text: ").append(paragraphText).append("\n\n");
                paragraphIndex++;
            }
            sectionIndex++;
        }

        Files.writeString(outputFile, text.toString());
    }
}