我正在尝试从pdf文档中提取文本。我已经测试了几种工具，例如PDFBox，TET，PDFTextStream等，但是它们都不适合提取波斯多列pdf文档的文本。
目前，我正在尝试结合使用此工具的良好功能，并对它们使用一些技巧。现在，我想知道如何检测页面的列数以及如何拆分这些列的文本。
我特别想知道PDFBox或PDFTextStream的哪个类负责列检测及其工作方式。
最佳答案
我只能代表PDFTextStream，但是为了理解它的工作原理，您想大致了解PDFTextStream如何查看PDF文档。
每个文档由Pages组成，而Blocks由Blocks组成（其中可以有很多嵌套）。 Lines最终将包含TextUnits，其中将包含x。
这些单元中的每个单元都有一个y，width，height和PDFTextStream属性。所有PDF都是基于其坐标布置的这些基本单位。当您要求PDFTextStream“读取”页面或区域时，它将查看对象以及它们在X，Y平面上的布局方式，并近似地将其转换为文本。这就是为什么会出错的原因，因为没有100％可靠的方法将这种结构转换为机器可读的结构化数据。
在getRegionText中，您应该查看 function and example。 PDFTextStream是专有的（我移至PDFBox的原因），因此我无法为您提供有关用于获取文本的算法的详细信息，但它们基于上述过分简化。
祝好运。