改进多列 PDF 文本提取

多列布局通常需要额外处理以改进阅读顺序和提取质量。

在降低字体大小后提取文本

此技术会更新文本片段的字体大小，将调整后的文档保存到内存中，然后从转换后的结果中提取文本。

1. 打开源 PDF 于 Document 实例。
2. 创建一个 TextFragmentAbsorber 并访问所有文档页面以收集 TextFragment 对象。
3. 遍历片段并按请求的比例缩小每个字体大小，以便在提取前可以对密集的列布局进行标准化。
4. 保存已调整的 Document 到内存字节流中。
5. 重新打开第二个 Document 来自该内存缓冲区。
6. 创建一个 TextAbsorber，访问已转换文档的所有页面，并将提取的文本写入输出文件。

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());
        }
    }
}

使用比例因子提取文本

使用 TextExtractionOptions 在纯格式化模式下，调节列密集布局的比例因子。

1. 打开源 PDF 于 Document 实例。
2. 创建一个 TextAbsorber 用于完整文档提取。
3. 创建 TextExtractionOptions 以纯格式模式进行，以使用布局敏感的提取行为。
4. 在访问页面之前，设置比例因子并将提取选项应用于吸收器。
5. 遍历所有文档页面并将提取的文本写入输出文件。

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());
    }
}