使用PDF小丑檢測PDF表中的頁眉和邊框

Question

我正在使用PDF Clown的TextInfoExtractionSample將PDF表提取到Excel中，除了合並的單元格之外，我能夠做到這一點。 在下面的代碼中，對於對象“內容”，我將掃描的內容視為文本，XObject，ContainerObject，但對於邊框則什么也沒有。 任何人都知道哪個對象代表PDF表格中的邊框，或者如何檢測文本是否為表格的標題？

   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 ...

在下面的代碼中，對於對象“內容”，我將掃描的內容視為文本，XObject，ContainerObject，但對於邊框則什么也沒有。

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

A）訪問所有內容

在循環代碼中，您從原始示例中刪除了非常重要的塊，

    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);
    }

這些塊使樣本遞歸到復雜的對象（您提到的XObject，ContainerObject ）中，這些對象又包含它們自己的簡單內容。

B）檢查所有內容

任何人都知道什么對象代表PDF表格中的邊框

不幸的是，PDF內容中沒有像border屬性那樣的東西。 取而代之的是，邊框是獨立的對象，通常是矢量圖形，是線條還是非常細的矩形。

因此，在掃描頁面內容時（遞歸地，如A所示 ），您將必須查找包含以下內容的Path實例（名稱空間org.pdfclown.documents.contents.objects ）

• moveTo m ， lineTo l和筆划 S操作或
• 矩形 re和fill f操作。

（ 此答案可能會有所幫助）

當您遇到這樣的界限時，您將不得不對其進行解釋 。 這些線可能是邊框，但也可以用作下划線，頁面裝飾，...

如果PDF剛好被加了標簽，那么就可以使事情變得容易一些，因為您無需多解釋。 相反，您可以閱讀標記信息，該信息可以告訴您單元格的開始和結束位置，因此您無需解釋圖形線。 不幸的是，加標簽的PDF還是少於。

或者如何檢測文本是否為表格的標題？

就像上面一樣，除非您碰巧檢查了帶標簽的PDF，否則沒有任何內容可以立即告訴您某些文本是表格標題。 您必須再次解釋。 該文本是否超出您確定要形成表格的行數？ 它在頂部嗎？ 還是在里面的任何地方？ 是否以特定字體繪制？ 或更大？ 不同的顏色？ 等等。