使用PDF小丑检测PDF表中的页眉和边框

Question

我正在使用PDF Clown的TextInfoExtractionSample将PDF表提取到Excel中，除了合并的单元格之外，我能够做到这一点。 在下面的代码中，对于对象“内容”，我将扫描的内容视为文本，XObject，ContainerObject，但对于边框则什么也没有。 任何人都知道哪个对象代表PDF表格中的边框，或者如何检测文本是否为表格的标题？

   private void Extract(ContentScanner level, PrimitiveComposer composer)
   {
      if(level == null)
        return;
      while(level.MoveNext())
      {
        ContentObject content = level.Current;
      }
    }

Answer 1

我正在使用PDF Clown的TextInfoExtractionSample ...

在下面的代码中，对于对象“内容”，我将扫描的内容视为文本，XObject，ContainerObject，但对于边框则什么也没有。

 while(level.MoveNext()) { ContentObject content = level.Current; } 

A）访问所有内容

在循环代码中，您从原始示例中删除了非常重要的块，

    if(content is XObject)
    {
        // Scan the external level!
        Extract(((XObject)content).GetScanner(level), composer);
    }

和

    if(content is ContainerObject)
    {
        // Scan the inner level!
        Extract(level.ChildLevel, composer);
    }

这些块使样本递归到复杂的对象（您提到的XObject，ContainerObject ）中，这些对象又包含它们自己的简单内容。

B）检查所有内容

任何人都知道什么对象代表PDF表格中的边框

不幸的是，PDF内容中没有像border属性那样的东西。 取而代之的是，边框是独立的对象，通常是矢量图形，是线条还是非常细的矩形。

因此，在扫描页面内容时（递归地，如A所示 ），您将必须查找包含以下内容的Path实例（名称空间org.pdfclown.documents.contents.objects ）

• moveTo m ， lineTo l和笔划 S操作或
• 矩形 re和fill f操作。

（ 此答案可能会有所帮助）

当您遇到这样的界限时，您将不得不对其进行解释 。 这些线可能是边框，但也可以用作下划线，页面装饰，...

如果PDF刚好被加了标签，那么就可以使事情变得容易一些，因为您无需多解释。 相反，您可以阅读标记信息，该信息可以告诉您单元格的开始和结束位置，因此您无需解释图形线。 不幸的是，加标签的PDF还是少于。

或者如何检测文本是否为表格的标题？

就像上面一样，除非您碰巧检查了带标签的PDF，否则没有任何内容可以立即告诉您某些文本是表格标题。 您必须再次解释。 该文本是否超出您确定要形成表格的行数？ 它在顶部吗？ 还是在里面的任何地方？ 是否以特定字体绘制？ 或更大？ 不同的颜色？ 等等。