iText的阅读multicolumned PDF文档

Question

阅读multicolumned PDF文档

当iText的阅读PDF（提取网页内容到一个字符串变量），那么内容就会被固定在那里：

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 "); 

如果文档仅为1列，但如果文档具有多列，则会每行提取文档1。它会结合左列和右列。

我使用this作为样本PDF，这是来自START QA文档。

如何阅读多版本的PDF文档？

Answer 1

有两种不同的方法来解决这个问题，使用哪一种方法取决于PDF本身。

1. 如果在PDF中的问题网页内容字符串已经是所需的顺序：而是隐含使用的使用PdfTextExtractor.getTextFromPage过载的LocationTextExtractionStrategy的，明确使用SimpleTextExtractionStrategy;你的情况：

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

2. 如果有问题的PDF页面内容的字符串所需的顺序不：而是隐含使用的PdfTextExtractor.getTextFromPage您使用过载LocationTextExtractionStrategy的，明确的在FilteredTextRenderListener中包含一个这样的策略，限制它仅接收单个列的区域的文本;你的情况：

   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);