iTextSharp - Cómo obtener la posición de la palabra en una página

Question

Estoy usando iTextSharp y el método reader.GetPageContent para extraer el texto de un PDF. Necesito encontrar el rectángulo/posición para cada palabra encontrada en el documento. ¿Hay alguna manera de obtener el rectángulo/posición de una palabra en un PDF usando iTextSharp?

Answer 1

Sí, sí. Consulte el paquete text.pdf.parser, específicamente LocationTextExtractionStrategy. En realidad, eso tampoco puede hacer el truco. Es probable que desea escribir su propia TextExtractionStrategy para alimentar PdfTextExtractor:

MyTexExStrat strat = new MyTexExStrat(); 
PdfTextExtractor.getTextFromPage(reader, pageNum, strat); 
// get the strings-n-rects from strat. 

public class MyTexExStrat implements TextExtractionStrategy { 
    void beginTextBlock() {} 
    void endTextBlock() {} 
    void renderImage(ImageRenderInfo info) {} 
    void renderText(TextRenderInfo info) { 
     // track text and location here. 
    } 
} 

es probable que desee para mirar la fuente de LocationTextExtractionStrategy para ver cómo se combina texto que comparte una línea de base. Incluso podría modificar LTES para almacenar matrices paralelas de cadenas y rects.

PS: para construir las rectas, sólo puede obtener la DescentLine AscentLine & y usar esas coordenadas como las superiores e inferiores esquinas:

Vector bottomLeft = info.getDescentLine().getStartPoint(); 
Vector topRight = info.getAscentLine().getEndPoint(); 
Rectangle rect = new Rectangle(bottomLeft.get(Vector.I1), 
           bottomLeft.get(Vector.I2), 
           topRight.get(Vector.I1), 
           topRight.get(Vector.I2)); 

Advertencia: El código anterior culo-u-mes que el texto es horizontal y procede de izquierda a derecha. El texto girado lo arruinará, al igual que el texto vertical o el texto de derecha a izquierda (árabe, hebreo). Para la mayoría de las aplicaciones, lo anterior debería estar bien, pero conozca sus límites.

Buena caza.