Posted on 2016-11-28 11:03
云自无心水自闲 阅读(358)
评论(0) 编辑 收藏
有好几个java library都可以实现这个功能，但是从pdf提取文本的一个问题是，提取出来的文本没有固定的顺序，不容易比较好的还原其格式。
我的做法是使用pdfclown来进行这项工作。官方网站是：https://pdfclown.org/ 先下载其最新版本。
参考其示例代码：https://pdfclown.org/2010/01/02/upcoming-0-0-8-whats-going-to-be-new/#more-30
使用这段代码，我们不仅可以得到文本的字符串，还能得到文本的页数和相对坐标。
我的思路是先把所有文本的字符串和坐标提取出来。然后排序，排序的顺序是纵坐标，然后横坐标。
这样排序完毕后，就能比较好的解决文本格式问题。