Question

阅读多语言PDF文档

当iText阅读PDF（将页面内容提取为字符串变量）时，内容将通过以下方式修复：

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 ");

如果文档只有1列，但如果文档有多列，则每行提取文档1。它会结合左右列。

我使用this作为示例PDF，这是来自START QA文档。

如何阅读多重PDF文档？

Answer 1

这个问题有两种不同的方法，使用的选择取决于PDF本身。

如果问题中PDF的页面内容中的字符串已按所需顺序排列：而不是LocationTextExtractionStrategy重载隐式使用的PdfTextExtractor.getTextFromPage你使用，明确使用SimpleTextExtractionStrategy;在你的情况下：
```
original_content = PdfTextExtractor.getTextFromPage(reader, 2, new SimpleTextExtractionStrategy());
```

如果相关PDF的网页内容中的字符串按所需顺序不：而不是隐式使用的LocationTextExtractionStrategy您使用的PdfTextExtractor.getTextFromPage的重载，在FilteredTextRenderListener中明确地包含一个这样的策略，限制它仅接收单个列的区域的文本;在你的情况下：

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);

iText阅读多语言PDF文档

1 个答案: