如何使用Android上的iText从PDF文件中按顺序提取图像和文本

Question

我已经完成了从PDF中提取文本但现在我想要提取图像.第一个问题是图像在每页的文本之间.我想知道的是如何按顺序提取图像,即使文件是每页2列,以及如何确定图像在文本中的位置.

以下是我尝试过的一些代码.

图像提取:

ExtractImages.java:
public static final String RESULT = "results/part4/chapter15/Img%s.%s";
public void extractImages(String filename)
    throws IOException, DocumentException {
    PdfReader reader = new PdfReader(filename);
    PdfReaderContentParser parser = new PdfReaderContentParser(reader);
    MyImageRenderListener listener = new MyImageRenderListener(RESULT);
    for (int i = 1; i <= reader.getNumberOfPages(); i++) {
        parser.processContent(i, listener);
    }
}

MyImageRenderListener:
public MyImageRenderListener(String path) {
    this.path = path;
}

public void renderImage(ImageRenderInfo renderInfo) {
    try {
        String filename;
        FileOutputStream os;
        PdfImageObject image = renderInfo.getImage();
        if (image == null) return;
        filename = String.format(path, renderInfo.getRef().getNumber(), image.getFileType());
        os = new FileOutputStream(filename);
        os.write(image.getImageAsBytes());
        os.flush();
        os.close();
    } catch (IOException e) {
        System.out.println(e.getMessage());
    }
}

代码处理pdf的内容并检查图像,然后将这些图像渲染到图像文件(.png,.jpg等).

我在这里遇到的问题是它不能按顺序提取图像.我希望图像按顺序排列,这样我就能知道图像首先出现在页面中并且最后.我怎么做？那么,是否有可能提取图像而不将其呈现为文件？我对图像的目标是在我的Android应用程序中将其显示为图像而不将其转换为文件.如果我不可能,那么当用户使用它时我会坚持删除图像.

我的目的是从PDF文件中提取(不查看)文本和图像,并在Android应用程序中按顺序显示.

Answer 1

高层次方法：

1. 从文档中提取所有文本，而不关心阅读顺序
2. 根据字符、二元组和三元组的分布确定文本的语言
3. 一旦了解了语言，您就知道是使用 LTR（从左到右）还是 RTL 阅读顺序
4. 使用每个字符的边界框、语言和字体等信息，启发式地构建文本行（一个好的初始度量可能是“如果两个字符大致位于相同的 y 位置并且它们之间的间隙，则将它们连接起来”） x 位置落在平均值 + std_dev 范围内）
5. 一旦你构建了线条，构建段落（与以前类似的启发式）
6. 现在您已经有了段落和文本语言，您可以按正确的顺序打印段落。

这是我在 iText 一直在研究的东西，这当然不是一项简单的任务。

最简单的解决方案当然是有一个带标签的 pdf 文档。带标签的文档包含有关哪些视觉元素以何种方式组合在一起的信息。或者，简单地说，您不必担心构建行和段落，这些已经完成并标记了。