org.dromara.pdf.pdfbox.core.ext.extractor

类 DocumentExtractor

java.lang.Object

org.dromara.pdf.pdfbox.core.ext.AbstractExpander

org.dromara.pdf.pdfbox.core.ext.extractor.AbstractExtractor

org.dromara.pdf.pdfbox.core.ext.extractor.DocumentExtractor

所有已实现的接口:

Closeable, AutoCloseable

public class DocumentExtractor
extends AbstractExtractor
implements Closeable

文档提取器

从以下版本开始:

1.8

Copyright (c) 2020 xsx All Rights Reserved. x-easypdf-pdfbox is licensed under Mulan PSL v2. You can use this software according to the terms and conditions of the Mulan PSL v2. You may obtain a copy of Mulan PSL v2 at: http://license.coscl.org.cn/MulanPSL2 THIS SOFTWARE IS PROVIDED ON AN "AS IS" BASIS, WITHOUT WARRANTIES OF ANY KIND, EITHER EXPRESS OR IMPLIED, INCLUDING BUT NOT LIMITED TO NON-INFRINGEMENT, MERCHANTABILITY OR FIT FOR A PARTICULAR PURPOSE. See the Mulan PSL v2 for more details.

作者:

xsx

字段概要

字段

限定符和类型	字段和说明
protected AbstractBookmarkExtractor	bookmarkExtractor 书签提取器
protected AbstractCommentExtractor	commentExtractor 评论提取器
protected AbstractFormExtractor	formExtractor 表单提取器
protected AbstractImageExtractor	imageExtractor 图像提取器
protected AbstractTextExtractor	textExtractor 文本提取器

从类继承的字段 org.dromara.pdf.pdfbox.core.ext.extractor.AbstractExtractor

log

从类继承的字段 org.dromara.pdf.pdfbox.core.ext.AbstractExpander

document

构造器概要

构造器

构造器和说明
DocumentExtractor(Document document) 构造方法

方法概要

限定符和类型	方法和说明
void	close() 关闭
Map<Integer,org.apache.pdfbox.pdmodel.interactive.documentnavigation.outline.PDOutlineItem>	extractBookmark(int... bookmarkIndexes) 提取书签
Map<Integer,List<String>>	extractComment(int... pageIndexes) 提取评论
Map<Integer,List<String>>	extractCommentByRegex(String regex, int... pageIndexes) 正则提取评论
Map<String,org.apache.pdfbox.pdmodel.interactive.form.PDField>	extractFormField() 表单提取字段
Map<String,BufferedImage>	extractFormImage() 表单提取图像
Map<String,String>	extractFormText() 表单提取文本
Map<Integer,List<BufferedImage>>	extractImage(int... pageIndexes) 提取图像
Map<Integer,List<String>>	extractText(int... pageIndexes) 提取文本
Map<Integer,List<String>>	extractTextByRegex(String regex, int... pageIndexes) 正则提取文本
Map<Integer,Map<String,String>>	extractTextByRegionArea(Map<String,Rectangle> regionArea, int... pageIndexes) 区域提取文本
Map<Integer,Map<String,String>>	extractTextByRegionArea(Map<String,Rectangle> regionArea, String wordSeparator, int... pageIndexes) 区域提取文本
Map<Integer,Map<String,List<List<String>>>>	extractTextForTable(Map<String,Rectangle> regionArea, int... pageIndexes) 表格提取文本 注：单行单列
Map<Integer,Map<String,List<List<String>>>>	extractTextForTable(Map<String,Rectangle> regionArea, String wordSeparator, int... pageIndexes) 表格提取文本 注：单行单列

从类继承的方法 org.dromara.pdf.pdfbox.core.ext.AbstractExpander

getDocument

从类继承的方法 java.lang.Object

clone, equals, finalize, getClass, hashCode, notify, notifyAll, toString, wait, wait, wait

字段详细资料

textExtractor

protected AbstractTextExtractor textExtractor

文本提取器

imageExtractor

protected AbstractImageExtractor imageExtractor

图像提取器

formExtractor

protected AbstractFormExtractor formExtractor

表单提取器

commentExtractor

protected AbstractCommentExtractor commentExtractor

评论提取器

bookmarkExtractor

protected AbstractBookmarkExtractor bookmarkExtractor

书签提取器

构造器详细资料

DocumentExtractor

public DocumentExtractor(Document document)

构造方法

参数:

document - 文档

方法详细资料

extractText

public Map<Integer,List<String>> extractText(int... pageIndexes)

提取文本

参数:

pageIndexes - 页面索引

返回:

返回文本字典

key=页面索引，value=提取文本

extractTextByRegex

public Map<Integer,List<String>> extractTextByRegex(String regex,
                                                    int... pageIndexes)

正则提取文本

参数:

regex - 正则表达式

pageIndexes - 页面索引

返回:

返回文本字典

key=页面索引，value=提取文本

extractTextByRegionArea

public Map<Integer,Map<String,String>> extractTextByRegionArea(Map<String,Rectangle> regionArea,
                                                               int... pageIndexes)

区域提取文本

参数:

regionArea - 区域

pageIndexes - 页面索引

返回:

返回文本字典

一级，key = 页面索引，value = 提取文本字典二级，key = 区域名称，value = 提取文本

extractTextByRegionArea

public Map<Integer,Map<String,String>> extractTextByRegionArea(Map<String,Rectangle> regionArea,
                                                               String wordSeparator,
                                                               int... pageIndexes)

区域提取文本

参数:

regionArea - 区域

wordSeparator - 单词分隔符

pageIndexes - 页面索引

返回:

返回文本字典

一级，key = 页面索引，value = 提取文本字典二级，key = 区域名称，value = 提取文本

extractTextForTable

public Map<Integer,Map<String,List<List<String>>>> extractTextForTable(Map<String,Rectangle> regionArea,
                                                                       int... pageIndexes)

表格提取文本

注：单行单列

参数:

regionArea - 区域

pageIndexes - 页面索引

返回:

返回文本字典

一级，key = 页面索引，value = 提取文本字典

二级，key = 区域名称，value = 提取文本

extractTextForTable

public Map<Integer,Map<String,List<List<String>>>> extractTextForTable(Map<String,Rectangle> regionArea,
                                                                       String wordSeparator,
                                                                       int... pageIndexes)

表格提取文本

注：单行单列

参数:

regionArea - 区域

wordSeparator - 单词分隔符

pageIndexes - 页面索引

返回:

返回文本字典

一级，key = 页面索引，value = 提取文本字典

二级，key = 区域名称，value = 提取文本

extractImage

public Map<Integer,List<BufferedImage>> extractImage(int... pageIndexes)

提取图像

参数:

pageIndexes - 页面索引

返回:

返回文本字典

key = 页面索引，value = 提取图像

extractFormText

public Map<String,String> extractFormText()

表单提取文本

返回:

返回文本字典

key = 字段名称，value = 提取文本

extractFormImage

public Map<String,BufferedImage> extractFormImage()

表单提取图像

返回:

返回图像字典

key = 字段名称，value = 提取图像

extractFormField

public Map<String,org.apache.pdfbox.pdmodel.interactive.form.PDField> extractFormField()

表单提取字段

返回:

返回字段字典

key = 字段名称，value = 提取字段

extractComment

public Map<Integer,List<String>> extractComment(int... pageIndexes)

提取评论

参数:

pageIndexes - 页面索引

返回:

返回文本字典

key=页面索引，value=提取评论

extractCommentByRegex

public Map<Integer,List<String>> extractCommentByRegex(String regex,
                                                       int... pageIndexes)

正则提取评论

参数:

regex - 正则表达式

pageIndexes - 页面索引

返回:

返回文本字典

key=页面索引，value=提取评论

extractBookmark

public Map<Integer,org.apache.pdfbox.pdmodel.interactive.documentnavigation.outline.PDOutlineItem> extractBookmark(int... bookmarkIndexes)

提取书签

参数:

bookmarkIndexes - 书签索引

返回:

返回书签字典

key=书签索引，value=提取书签

close

public void close()

关闭

指定者:

close 在接口中 Closeable

指定者:

close 在接口中 AutoCloseable