如何从PDF文件中获取带下划线的文本？

Posted 2023-02-22

【中文标题】如何从PDF文件中获取带下划线的文本？

【英文标题】：How to get the underlined text from PDF file?

【发布时间】：2016-07-12 16:29:44

【问题描述】：

大家！ 我尝试通过 itext 从 PDF 文件中获取一些带下划线的文本，这对我来说似乎非常困难。找了很久的解决方法，学会了如何获取文本的fontfamily、fontsize和文本位置。但是，没有下划线。 期待您的帮助！ 谢谢！

【问题讨论】：

嗨，你有什么尝试吗？请展示一些代码工作。

从 PDF 的角度来看，“下划线”实际上只是一条恰好在文本附近但与文本无关的线。如果您想获得下划线，则必须查找每一行（或者可能是矩形或更糟）并将其与文本位置进行比较。您（可能）至少可以过滤具有相同y 坐标的所有行。如果 PDF 被标记，确实存在一个可能的条目，但我不知道是否有人使用它。我会说这是一个相当复杂的主题。

@ChrisHaas 说得很好，更简单地说……PDF 中没有“带下划线的文本”之类的东西。有文字（甚至可能是图像）和线条。你有一个不可能完成的任务。

我认为你是对的。当我用 Adob​​e Acrobat 打开 pdf 文件时，并不是所有的下划线都可以识别，有些被认为是线条图形。真的很奇怪。

【参考方案1】：

使用 itext 可能无法实现，但您可以使用 pdfbox在某种程度上实现此目的

看看这个：https://***.com/a/40039407/4353762

但是注意在某些情况下它可能不起作用，库需要知道字体和字体的描述符。如果你抛出一个未知类型的 pdf，那么描述符将返回 null 并且代码将简单地以 NullPointerException 中断。

如果您想手动处理 NullPointerExceptions，那么您可能需要查看 underlines 和 strikeThrough 方法 PDFStyledTextStripper.java

【讨论】：

"使用 itext 可能无法实现，但您可以使用 pdfbox 在某种程度上" 实现这一点 - 实际上两者都可以库，因为为文本和路径提取的数据对于两个库来说基本上是相同的，只是呈现方式有所不同。