Java：Apache PDFbox提取突出显示的文本
我正在使用Apache PDFbox库从PDF文件中提取突出显示的文本（即黄色背景）。 我对这个库完全是新手，并且不知道它用于此目的的哪个类。 到目前为止，我已使用下面的代码从注释中提取文本。
PDDocument pddDocument = PDDocument.load(new File("test.pdf")); List allPages = pddDocument.getDocumentCatalog().getAllPages(); for (int i = 0; i < allPages.size(); i++) { int pageNum = i + 1; PDPage page = (PDPage) allPages.get(i); List la = page.getAnnotations(); if (la.size() < 1) { continue; } System.out.println("Total annotations = " + la.size()); System.out.println("\nProcess Page " + pageNum + "..."); // Just get the first annotation for testing PDAnnotation pdfAnnot = la.get(0); System.out.println("Getting text from comment = " + pdfAnnot.getContents()); 现在我需要获得突出显示的文本，任何代码示例都将受到高度赞赏。
问题中的代码无法读取跨行突出显示的确切文本已经说明了用于从PDFBox页面上的有限内容区域提取文本的大多数概念。
在研究了这段代码后，OP仍在评论中表示：
但令我困惑的一件事是QuadPoints而不是Rect 。 正如你在评论中提到的那样。 这是什么，你可以用一些代码行或简单的词来解释它，因为我也面临同样的多行高亮问题？
通常，注释所指的区域是一个矩形：
Rect rectangle （必需）注释矩形，以默认用户空间单位定义页面上注释的位置。
（来自表164 – 所有注释词典共有的条目 – 在ISO 32000-1中）
对于某些注释类型（例如文本标记），此位置值不够，因为：
- 标记的文本可以以某个奇数角写入，但说明书中提到的矩形类型是指边缘平行于页边的矩形; 和
- 标记的文本可以从一行中的任何地方开始，然后在另一行中的任何地方结束，因此标记区域根本不是矩形，而是多个矩形部分的并集。
因此，为了处理这样的注释类型，PDF规范提供了一种更通用的方法来定义区域：
QuadPoints数组（必需）一个8×n数字的数组，指定默认用户空间中n个四边形的坐标。 每个四边形应包含注释背后的文本中的一个或一组连续单词。 每个四边形的坐标应按顺序给出
x 1 y 1 x 2 y 2 x 3 y 3 x 4 y 4
以逆时针顺序指定四边形的四个顶点（参见图64）。 文本应相对于连接点（x 1 ，y 1 ）和（x 2 ，y 2 ）的边缘定向。
（来自表179 – 特定于文本标记注释的附加条目 – 在ISO 32000-1中）
因此，而不是由给出的矩形
PDRectangle rect = pdfAnnot.getRectangle();
在引用问题的代码中，您必须考虑由给定的四边形
COSArray quadsArray = (COSArray) pdfAnnot.getDictionary().getDictionaryObject(COSName getPDFName("QuadPoints"));
并相应地定义PDFTextStripperByArea stripper区域。 不幸的是， PDFTextStripperByArea.addRegion期望一个矩形作为参数，而不是一些通用的四边形。 由于文本通常是水平或垂直打印，因此不应造成太大问题。
PS关于QuadPoints规范的一个警告，订单可能在现实PDF中有所不同，参见 问题PDF规范与Acrobat创建（QuadPoints） 。
我希望这个答案可以帮助每个面临同样问题的人。
// PDF32000-2008 // 12.5.2 Annotation Dictionaries // 12.5.6 Annotation Types // 12.5.6.10 Text Markup Annotations @SuppressWarnings({ "unchecked", "unused" }) public ArrayList getHighlightedText(String filePath, int pageNumber) throws IOException { ArrayList highlightedTexts = new ArrayList<>(); // this is the in-memory representation of the PDF document. // this will load a document from a file. PDDocument document = PDDocument.load(filePath); // this represents all pages in a PDF document. List allPages = document.getDocumentCatalog().getAllPages(); // this represents a single page in a PDF document. PDPage page = allPages.get(pageNumber); // get annotation dictionaries List annotations = page.getAnnotations(); for(int i=0; i 1) { str = str.concat(highlightedText); } else { str = highlightedText; } } highlightedTexts.add(str); } } document.close(); return highlightedTexts; }