iText閱讀多語言PDF文檔

Question

閱讀多語言PDF文檔

當iText讀取PDF（將頁面內容提取為字符串變量）時，內容將通過以下方式修復：

reader = new PdfReader(getResources().openRawResource(R.raw.resume1));
original_content = PdfTextExtractor.getTextFromPage(reader, 2);
String sub_content = original_content.trim().replaceAll(" {2,}", " ");
sub_content = sub_content.trim().replaceAll("\n ", "\n");
sub_content = sub_content.replaceAll("(.+)(?<!\\.)\n(?!\\W)", "$1 "); 

如果文檔只有1列，但如果文檔有多列，則每行提取文檔1。 它會結合左右列。

我使用此作為示例PDF來自START QA文檔。

如何閱讀多重PDF文檔？

Answer 1

這個問題有兩種不同的方法，使用的選擇取決於PDF本身。

1. 如果問題中PDF的頁面內容中的字符串已按所需順序排列：您使用的PdfTextExtractor.getTextFromPage重載隱式使用的LocationTextExtractionStrategy ，請顯式使用SimpleTextExtractionStrategy ; 在你的情況下：

    original_content = PdfTextExtractor.getTextFromPage(reader, 2, new SimpleTextExtractionStrategy()); 

2. 如果所討論的PDF的頁面內容中的字符串不是所需的順序：您使用的PdfTextExtractor.getTextFromPage的重載隱式使用的LocationTextExtractionStrategy ，在FilteredTextRenderListener顯式地包裝一個這樣的策略，限制它接收文本僅一列的區域; 在你的情況下：

    Rectangle left = new Rectangle(0, 0, 306, 792); Rectangle right = new Rectangle(306, 0, 612, 792); RenderFilter leftFilter = new RegionTextRenderFilter(left); RenderFilter rightFilter = new RegionTextRenderFilter(right); [...] TextExtractionStrategy strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), leftFilter); original_content = PdfTextExtractor.getTextFromPage(reader, 2, strategy); originalContent += " "; strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), rightFilter); original_content += PdfTextExtractor.getTextFromPage(reader, 2, strategy);