Получение местоположений линий с помощью iText

Question

Как найти, где находятся строки, находящиеся в документе с помощью iText?

Предположим, у меня есть таблица в PDF-документе и вы хотите прочитать ее содержимое; Я хотел бы найти, где именно находятся ячейки. Чтобы сделать это, я подумал, что могу найти пересечения линий.

Answer 1

Я думаю, что ваш единственный вариант использования iText - это разобрать маркеры PDF вручную. До этого я бы have a copy of the PDF spec handy.

(я парень .Net, поэтому я использую iTextSharp, но кроме некоторых отличий капитализации и деклараций собственности они почти 100% то же самое.)

Вы можете получить индивидуальные жетоны с помощью PRTokeniser объект, в который вы подаете байты, от вызова getPageContent(pageNum) на PdfReader.

//Get bytes for page 1 
byte[] pageBytes = reader.getPageContent(1); 
//Get the tokens for page 1 
PRTokeniser tokeniser = new PRTokeniser(pageBytes); 

Тогда просто цикл через PRTokeniser:

PRTokeniser.TokType tokenType; 
string tokenValue; 

while (tokeniser.nextToken()) { 
    tokenType = tokeniser.tokenType; 
    tokenValue = tokeniser.stringValue; 
    //...check tokenValue, do something with it 
} 

Как далеко tokenValue, вы хотели бы, вероятно, искать для re и l значения для прямоугольника и линии. Если вы видите re, то вы хотите посмотреть на предыдущих 4 значений, и если вы видите l то предыдущий 2 значения. Это также означает, что вам нужно хранить каждый tokenValue в массиве, чтобы вы могли оглянуться назад.

В зависимости от того, что вы использовали для создания PDF-документа, вы можете получить интересные результаты. Например, я создал таблицу из 4 ячеек с Microsoft Word и сохранил ее как PDF. По некоторым причинам есть два набора из 10 прямоугольников со многими дубликатами, но общая идея все еще работает.

Ниже приведен код C#, предназначенный для iTextSharp 5.1.1.0. Вы должны иметь возможность конвертировать его в Java и iText очень легко, я отметил одну строку, которая имеет .Net-специфический код, который необходимо скопировать из общего списка (List<string>) в эквивалент Java, возможно, ArrayList. Вам также нужно будет отрегулировать некоторый корпус, .Net использует Object.Method(), тогда как Java использует Object.method(). Наконец, .Net обращается к свойствам без get и sets, поэтому Object.Property - это как getter, так и setter по сравнению с Java Object.getProperty и Object.setProperty.

Надеюсь, это поможет вам начать хотя бы!

 //Source file to read from 
     string sourceFile = "c:\\Hello.pdf"; 

     //Bind a reader to our PDF 
     PdfReader reader = new PdfReader(sourceFile); 

     //Create our buffer for previous token values. For Java users, List<string> is a generic list, probably most similar to an ArrayList 
     List<string> buf = new List<string>(); 

     //Get the raw bytes for the page 
     byte[] pageBytes = reader.GetPageContent(1); 
     //Get the raw tokens from the bytes 
     PRTokeniser tokeniser = new PRTokeniser(pageBytes); 

     //Create some variables to set later 
     PRTokeniser.TokType tokenType; 
     string tokenValue; 

     //Loop through each token 
     while (tokeniser.NextToken()) { 
      //Get the types and value 
      tokenType = tokeniser.TokenType; 
      tokenValue = tokeniser.StringValue; 
      //If the type is a numeric type 
      if (tokenType == PRTokeniser.TokType.NUMBER) { 
       //Store it in our buffer for later user 
       buf.Add(tokenValue); 
      //Otherwise we only care about raw commands which are categorized as "OTHER" 
      } else if (tokenType == PRTokeniser.TokType.OTHER) { 
       //Look for a rectangle token 
       if (tokenValue == "re") { 
        //Sanity check, make sure we have enough items in the buffer 
        if (buf.Count < 4) throw new Exception("Not enough elements in buffer for a rectangle"); 
        //Read and convert the values 
        float x = float.Parse(buf[buf.Count - 4]); 
        float y = float.Parse(buf[buf.Count - 3]); 
        float w = float.Parse(buf[buf.Count - 2]); 
        float h = float.Parse(buf[buf.Count - 1]); 
        //..do something with them here 
       } 
      } 
     }