用itextsharp检索页面上所有单词的坐标

我的目的是检索页面上所有单词的坐标，我所做的是

PdfReader reader = new PdfReader("cde.pdf"); TextWithPositionExtractionStategy S = new TextWithPositionExtractionStategy(); PdfTextExtractor.GetTextFromPage(reader,1,S); Vector curBaseline = renderInfo.GetDescentLine().GetStartPoint(); Vector topRight = renderInfo.GetAscentLine().GetEndPoint(); iTextSharp.text.Rectangle rect = new iTextSharp.text.Rectangle(curBaseline[Vector.I1], curBaseline[Vector.I2], topRight[Vector.I1], topRight[Vector.I2]); string x1 = curBaseline[Vector.I1].ToString(); string x2 = curBaseline[Vector.I2].ToString(); string x3 = topRight[Vector.I1].ToString(); string x4 = topRight[Vector.I2].ToString(); 

但是，我得到的是一个string的坐标，其中包含一行，而不是一个单词的所有单词。例如，pdf的内容是“我是一个女孩”，我得到的是“我是一个女孩“，而不是”我“，”我“，”一个“，”女孩“的坐标。我如何修改代码，以便我可以获得单词坐标。 谢谢。

Answer 1

（我主要使用Java库iText，而不是使用.Net库iTextSharp;因此，请忽略一些Java-isms，一切都应该很容易翻译。）

为了使用iText（Sharp）提取页面的内容，您可以使用parsing器包中的类在预处理之后将其RenderListener给您所select的RenderListener 。

在只对文本感兴趣的上下文中，通常使用从RenderListener派生的TextExtractionStrategy ，并添加一个方法getResultantText来检索页面中的聚合文本。

由于iText中文本parsing的最初意图是实现这个用例，所以大多数现有的RenderListener示例都是TextExtractionStrategy实现，只能使文本可用。

因此，你将不得不实现你自己的RenderListener ，你似乎已经基本RenderListener 。

就像同时存在一个SimpleTextExtractionStrategy （它是通过关于页面内容操作符的结构的一些假设来实现的）和一个LocationTextExtractionStrategy （它没有相同的假设但有些复杂），您可能需要从一个实现开始做出一些假设。

因此，就像SimpleTextExtractionStrategy的情况一样，在第一个简单的实现中，您希望将文本呈现事件转发给您的侦听器，从一行一行到另一行，从左到右。 这样，只要你find一个横向的差距或标点符号，你就知道你当前的单词已经完成，你可以处理它。

与文本提取策略相反，您不需要一个StringBuffer成员来收集结果，而是需要一个“有位置的词”结构的列表。 此外，您需要一些成员variables来保存已经为此页面收集的TextRenderInfo事件，但最终无法处理（您可能会在几个单独的事件中检索一个单词）。

只要你（即你的renderText方法）被调用一个新的TextRenderInfo对象，你应该像这样操作（伪代码）：

 if (unprocessedTextRenderInfos not empty) { if (isNewLine // Check this like the simple text extraction strategy checks for hardReturn || isGapFromPrevious) // Check this like the simple text extraction strategy checks whether to insert a space { process(unprocessedTextRenderInfos); unprocessedTextRenderInfos.clear(); } } split new TextRenderInfo using its getCharacterRenderInfos() method; while (characterRenderInfos contain word end) { add characterRenderInfos up to excluding the white space/punctuation to unprocessedTextRenderInfos; process(unprocessedTextRenderInfos); unprocessedTextRenderInfos.clear(); remove used render infos from characterRenderInfos; } add remaining characterRenderInfos to unprocessedTextRenderInfos; 

在process(unprocessedTextRenderInfos)您从unprocessedTextRenderInfos中提取所需的信息; 你将单个文本内容连接成一个单词，并采取你想要的坐标; 如果您只想要起始坐标，则从第一个未处理的TextRenderInfos中获取坐标。 如果您需要更多的数据，您还可以使用其他TextRenderInfos中的数据。 有了这些数据，你可以填写一个“有位置的单词”结构，并将其添加到结果列表中。

当页面处理完成后，你必须再次调用进程（unprocessedTextRenderInfos）和unprocessedTextRenderInfos.clear（）; 或者你可以在endTextBlock方法中做到这endTextBlock 。

做完这些之后，你可能会觉得可以实现稍微复杂的变体，这个变体对页面内容结构没有相同的假设。 ;）