如何使用pdfbox从pdf中提取粗体文本？

我正在使用Apache pdfbox来提取文本。 我可以从pdf中提取文本，但我不知道如何知道这个词是否是粗体??? （代码建议会很好!!!）这是从pdf中提取纯文本的代码，该代码工作正常。

PDDocument document = PDDocument .load("/home/lipu/workspace/MRCPTester/test.pdf"); document.getClass(); if (document.isEncrypted()) { try { document.decrypt(""); } catch (InvalidPasswordException e) { System.err.println("Error: Document is encrypted with a password."); System.exit(1); } } // PDFTextStripperByArea stripper = new PDFTextStripperByArea(); // stripper.setSortByPosition(true); PDFTextStripper stripper = new PDFTextStripper(); stripper.setStartPage(1); stripper.setEndPage(2); stripper.setSortByPosition(true); String st = stripper.getText(document); 

Answer 1

PDFTextStripper的结果是纯文本。 因此，提取后，为时已晚。 但是你可以覆盖它的某些方法，只允许通过根据你的意愿格式化的文本。

如果是PDFTextStripper ，则必须覆盖

 protected void processTextPosition( TextPosition text ) 

在您的覆盖中，您可以检查相关文本是否满足您的要求（ TextPosition包含有关所讨论文本的大量信息，而不仅仅是文本本身），如果有，则将TextPosition text转发给super实现。

但主要问题是识别哪个文本是粗体 。

粗体的标准可能是字体名称中的粗体字，例如Courier-BoldOblique – 您使用text.getFont()访问文本的字体，使用字体的getBaseFont()方法访问字体的postscript名称

 String postscriptName = text.getFont().getBaseFont(); 

条件也可以来自字体描述符 – 使用getFontDescriptor方法获取字体的字体描述符，字体描述符具有可选的字体权重值

 float fontWeight = text.getFont().getFontDescriptor().getFontWeight(); 

该值定义为

（可选; PDF 1.5;应用于标记PDF文档中的Type 3字体）完全限定字体名称或字体说明符的权重（厚度）​​组件。 可能的值应为100,200,300,400,500,600,700,800或900，其中每个数字表示至少与其前身一样暗的重量。 值400表示正常体重; 700应表示粗体。

这些值的具体解释因字体而异。

一种字体的示例300可能看起来与另一种字体中的500最相似。

（表122，第9.8.1节，ISO 32000-1）

可能还有其他提示要检查粗体 ，例如大线宽

 double lineWidth = getGraphicsState().getLineWidth(); 

当渲染模式也绘制轮廓时：

 int renderingMode = getGraphicsState().getTextState().getRenderingMode(); 

您可能需要尝试使用手头的文件，这些标准就足够了。