使用itextsharp检索页面上所有单词的相应坐标

Question

我的目的是检索页面上所有单词的相应坐标，我所做的是

PdfReader reader = new PdfReader("cde.pdf");
TextWithPositionExtractionStategy S = new TextWithPositionExtractionStategy();
PdfTextExtractor.GetTextFromPage(reader,1,S);

Vector curBaseline = renderInfo.GetDescentLine().GetStartPoint();
Vector topRight = renderInfo.GetAscentLine().GetEndPoint();

iTextSharp.text.Rectangle rect = new iTextSharp.text.Rectangle(curBaseline[Vector.I1], curBaseline[Vector.I2], topRight[Vector.I1], topRight[Vector.I2]);
string x1 = curBaseline[Vector.I1].ToString();
string x2 = curBaseline[Vector.I2].ToString();
string x3 = topRight[Vector.I1].ToString();
string x4 = topRight[Vector.I2].ToString();

但是，我得到的是一个字符串的坐标，它包含一行的所有单词，而不是一个单词。例如，pdf的内容是“我是一个女孩”，我得到的是“我是一个”的坐标女孩“，但不是”我“”是“”“”女孩“的坐标。如何修改代码，以便我可以得到单词坐标。 谢谢。

Answer 1

（我主要使用Java库iText，而不是使用.Net库iTextSharp;因此，请忽略一些Java-isms，一切都应该很容易翻译。）

要使用iText（Sharp）提取页面内容，您可以使用解析器包中的类，在对您选择的RenderListener进行一些预处理后将其提供给它。

在您只对文本感兴趣的上下文中，最常使用从RenderListener派生的TextExtractionStrategy ，并添加单个方法getResultantText以从页面中检索聚合文本。

由于iText中文本解析的初始目的是实现此用例，因此大多数现有的RenderListener示例都是TextExtractionStrategy实现，并且只使文本可用。

因此，你必须实现自己的RenderListener您已经似乎已经christianed TextWithPositionExtractionStategy 。

就像有一个SimpleTextExtractionStrategy （通过对页面内容运算符结构的一些假设实现）和一个LocationTextExtractionStrategy （它没有相同的假设，但有点复杂），你可能想要从一个实现开始做出一些假设。

因此，就像SimpleTextExtractionStrategy的情况一样，在第一个简单的实现中，您希望转发给侦听器的文本呈现事件逐行到达，并从左到右在同一行上。 这样，只要找到水平间隙或标点符号，就会知道当前的单词已完成，您可以对其进行处理。

与文本提取策略相比，您不需要StringBuffer成员来收集结果，而是需要一些“带位置的单词”结构的列表。 此外，您需要一些成员变量来保存您已为此页面收集的TextRenderInfo事件，但无法最终处理（您可以在几个单独的事件中检索一个单词）。

一旦为新的TextRenderInfo对象调用（即你的renderText方法），你应该像这样操作（伪代码）：

if (unprocessedTextRenderInfos not empty)
{
    if (isNewLine // Check this like the simple text extraction strategy checks for hardReturn
     || isGapFromPrevious) // Check this like the simple text extraction strategy checks whether to insert a space
    {
        process(unprocessedTextRenderInfos);
        unprocessedTextRenderInfos.clear();
    }
}

split new TextRenderInfo using its getCharacterRenderInfos() method;
while (characterRenderInfos contain word end)
{
    add characterRenderInfos up to excluding the white space/punctuation to unprocessedTextRenderInfos;
    process(unprocessedTextRenderInfos);
    unprocessedTextRenderInfos.clear();
    remove used render infos from characterRenderInfos;
}
add remaining characterRenderInfos to unprocessedTextRenderInfos;

在process(unprocessedTextRenderInfos)您从unprocessedTextRenderInfos中提取所需的信息; 将单个文本内容连接到一个单词并获取所需的坐标; 如果你只想要开始坐标，你可以从第一个未经处理的TextRenderInfos中获取。 如果您需要更多数据，还可以使用其他TextRenderInfos中的数据。 使用这些数据，您可以填写“带位置的单词”结构并将其添加到结果列表中。

页面处理完成后，您必须再次调用进程（unprocessedTextRenderInfos）和unprocessedTextRenderInfos.clear（）; 或者你可以在endTextBlock方法中做到这endTextBlock 。

完成此操作后，您可能已准备好实现稍微复杂的变体，该变体对页面内容结构没有相同的假设。 ;）