IText: पीडीएफ से पाठ खींचना

दिन का अच्छा समय, हब्रोव्स्क!



हाल ही में मुझे एक कार्य का सामना करना पड़ा: पृष्ठ पर इसकी स्थिति को याद करके पीडीएफ से पाठ कैसे निकालना है, यह जानने के लिए। और, ज़ाहिर है, शुरू में अनियंत्रित कार्य में, नुकसान हो गया। आपने इसे कैसे हल किया? जवाब कट के नीचे है।

पीडीएफ प्रारूप के बारे में थोड़ा सा

पीडीएफ (पोर्टेबल डॉक्यूमेंट फॉर्मेट) पोस्टस्क्रिप्ट भाषा का उपयोग करते हुए एक लोकप्रिय क्रॉस-प्लेटफॉर्म दस्तावेज़ प्रारूप है। इसका मुख्य उद्देश्य विभिन्न ऑपरेटिंग सिस्टम आदि को सही ढंग से प्रदर्शित करना है।



पहला विचार केवल साइकिल का आविष्कार करना था, अर्थात्, पीडीएफ खोलें और पाठ को वहां से बाहर निकालें। और, ऐसा करने की कोशिश करते हुए, मैंने महसूस किया कि पीडीएफ को पीडीएफ के अंदर बहुत अच्छी तरह से व्यवस्थित नहीं किया गया था और कई तथ्यों का खुलासा किया जो कार्य को गंभीरता से जटिल करते हैं:

• शब्दों को अतार्किक रूप से टुकड़ों में तोड़ा जा सकता है। उदाहरण के लिए, शब्द "एल्गोरिदम" का प्रदर्शन तीन भागों में, मोटे तौर पर बोलते हुए, प्रदर्शित होता है: "alg" "yell" "we"
• पाठ और शब्दों की पंक्तियों में लाइनों को उसी क्रम में प्रदर्शित नहीं किया जा सकता है जैसा हम पढ़ते थे
• कुछ दस्तावेजों में स्पेस स्पष्ट रूप से निर्दिष्ट होते हैं (यानी इसमें `` युक्त कमांड होते हैं), अन्य में वे इस तथ्य से बनते हैं कि आसन्न शब्द एक दूसरे से एक निश्चित दूरी पर प्रदर्शित होते हैं।

इसलिए, पीडीएफ को स्वतंत्र रूप से पार्स करने की इच्छा तुरंत गायब हो गई।

पीएस इस सब से अनजाने में एक उद्धरण याद किया

जो लोग सॉसेज से प्यार करते हैं और कानून का सम्मान करते हैं, यह बेहतर है कि दोनों को कैसे देखा जाए।

फिर, कई पुस्तकालयों (pdfminer, pdfbox) के साथ खेलने के बाद, मैंने iText पर रुकने का फैसला किया।

IText के बारे में थोड़ा

iText: एक जावा लाइब्रेरी जिसे पीडीएफ के साथ काम करने के लिए डिज़ाइन किया गया है (एक C # संस्करण भी है: iTextSharp)। संस्करण 5.0.0 से शुरू होकर, इसे एजीपीएल लाइसेंस (स्रोत कोड प्राप्त करने के अवसर के साथ उपयोगकर्ताओं को प्रदान करने के लिए बाध्य) के तहत स्वतंत्र रूप से वितरित किया जाता है, लेकिन एक व्यावसायिक संस्करण भी है। इसे अच्छे प्रलेखन के साथ आपूर्ति की जाती है। और जो लोग पुस्तकालय को बेहतर तरीके से जानना चाहते हैं, उनके लिए मैं एक्शन लाइब्रेरी में iText के निर्माता से पुस्तक की सिफारिश करता हूं।

पीडीएफ से पाठ को खींचने का आसान तरीका

यह कोड पीडीएफ से टेक्स्ट निकालने में बुरा नहीं है, लेकिन दस्तावेज़ में इसके स्थान के बारे में कोई जानकारी नहीं देता है।

public class SimpleTextExtractor { public static void main(String[] args) throws IOException { // ,      -   PdfReader reader = new PdfReader(args[0]); //  ,     PDF   . for (int i = 1; i <= reader.getNumberOfPages(); ++i) { TextExtractionStrategy strategy = new SimpleTextExtractionStrategy(); String text = PdfTextExtractor.getTextFromPage(reader, i, strategy); System.out.println(text); } //    reader.close(); } }
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
     

और अब इसे क्रम में समझें।



PdfReader एक ऐसा वर्ग है जो पीडीएफ को पढ़ता है। इसका निर्माण न केवल फाइल की ओर से किया जा सकता है, बल्कि InputStream, Url या RandomAccessFileOrArray पर भी किया जा सकता है।



TextExtractionStrategy - एक इंटरफ़ेस जो पाठ को निकालने के लिए रणनीति को परिभाषित करता है। इसके बारे में अधिक जानकारी नीचे है।



SimpleTextExtractionStrategy - एक वर्ग जो TextExtractionStrategy को लागू करता है। नाम के बावजूद, यह पीडीएफ से पाठ को बहुत अच्छी तरह से बाहर खींचता है (यह पीडीएफ के चर संरचना के साथ आता है, अर्थात्, यदि पाठ पहले दो स्तंभों में जाता है, और फिर पूरे पृष्ठ में सामान्य वर्तनी पर स्विच करता है।



PdfTextExtractor - एक स्थिर वर्ग जिसमें केवल 2 getTextFromPage विधियाँ हैं जिनमें एक अंतर है - हम स्पष्ट रूप से पाठ को निकालने या न करने की रणनीति का संकेत देते हैं।

हम निर्देशांक को याद करते हुए, पाठ को बाहर निकालते हैं

ऐसा करने के लिए, हमें TextExtractionStrategy इंटरफ़ेस पर ध्यान देने की आवश्यकता है। अर्थात्, ये दो कार्य:

 public void renderText(TextRenderInfo renderInfo)
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
     

- जब getTextFromPage कहा जाता है, तो यह फ़ंक्शन टेक्स्ट को प्रदर्शित करने वाले प्रत्येक कमांड के साथ कहा जाता है। TextRenderInfo सभी आवश्यक जानकारी संग्रहीत करता है: पाठ, फ़ॉन्ट, निर्देशांक।

 public string GetResultantText()
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
     

- यह फ़ंक्शन getTextFromPage के अंत से पहले कहा जाता है और इसका परिणाम उपयोगकर्ता को वापस कर दिया जाएगा।



नमूने के रूप में, हम सीखेंगे कि पृष्ठ पर प्रत्येक पंक्ति के लिए फ़ॉर्म के जोड़े को आसानी से कैसे खींचा जाए <पंक्ति y- समन्वय, पंक्ति पाठ>।



इंटरफ़ेस कार्यान्वयन:

 public class TextExtractionStrategyImpl implements TextExtractionStrategy { private TreeMap<Float, TreeMap<Float, String>> textMap; public TextExtractionStrategyImpl() { // reverseOrder     y      textMap = new TreeMap<Float, TreeMap<Float, String>>(Collections.reverseOrder()); } @Override public String getResultantText() { StringBuilder stringBuilder = new StringBuilder(); //    for (Map.Entry<Float, TreeMap<Float, String>> stringMap: textMap.entrySet()) { //      for (Map.Entry<Float, String> entry: stringMap.getValue().entrySet()) { stringBuilder.append(entry.getValue()); } stringBuilder.append('\n'); } return stringBuilder.toString(); } @Override public void beginTextBlock() {} @Override public void renderText(TextRenderInfo renderInfo) { //   Float x = renderInfo.getBaseline().getStartPoint().get(Vector.I1); Float y = renderInfo.getBaseline().getStartPoint().get(Vector.I2); //           . if (!textMap.containsKey(y)) { textMap.put(y, new TreeMap<Float, String>()); } textMap.get(y).put(x, renderInfo.getText()); } @Override public void endTextBlock() {} @Override public void renderImage(ImageRenderInfo imageRenderInfo) {} //       y- ArrayList<Pair<Float, String>> getStringsWithCoordinates() { ArrayList<Pair<Float, String>> result = new ArrayList<Pair<Float, String>>(); for (Map.Entry<Float, TreeMap<Float, String>> stringMap: textMap.entrySet()) { StringBuilder stringBuilder = new StringBuilder(); for (Map.Entry<Float, String> entry: stringMap.getValue().entrySet()) { stringBuilder.append(entry.getValue()); } result.add(new Pair<Float, String>(stringMap.getKey(), stringBuilder.toString())); } return result; } }
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
     

और मुख्य कोड इस तरह दिखता है:

 public class TextExtractor { public static void main(String[] args) throws IOException { PdfReader reader = new PdfReader(args[0]); for (int i = 1; i <= reader.getNumberOfPages(); ++i) { TextExtractionStrategyImpl strategy = new TextExtractionStrategyImpl(); // ,           PdfTextExtractor.getTextFromPage(reader, i, strategy); System.out.println("Page : " + i); for (Pair<Float, String> pair: strategy.getStringsWithCoordinates()) { System.out.println(pair.getKey().toString() + " " + pair.getValue()); } } reader.close(); } }
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
     

नोट

बेशक, अच्छे पाठ निष्कर्षण के लिए, आपको सभी प्रकार के चिप्स जोड़ने की आवश्यकता होती है ताकि पाठ को कई स्तंभों में सही ढंग से संसाधित किया जा सके, रिक्त स्थान को स्पष्ट रूप से निर्दिष्ट नहीं किया जा सके, आदि, लेकिन मैं इस लेख में ऐसे विवरणों में नहीं जाना चाहता।



और मैं यह भी नोट करना चाहूंगा कि यह पुस्तकालय की क्षमताओं का एक छोटा सा हिस्सा है। इसके साथ, आप दस्तावेज़ बना सकते हैं, पाठ और छवियों को मौजूदा वाले (वॉटरमार्क सहित) जोड़ सकते हैं।



और रिपॉजिटरी के लिए एक लिंक (ओह इस एजीपीएल)