Я пытаюсь извлечь только выделенный текст в документе PDF. Он работает на ПК, но когда я использую его на Android, он терпит неудачу. PDFBox напрямую не работает на Android, поэтому я использую Birdbrain2/PdfBox-Android для Android.
Вот код ПК, который работает
import java.awt.geom.Rectangle2D;
import java.io.File;
import java.util.List;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.common.PDRectangle;
import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotation;
import org.apache.pdfbox.util.PDFTextStripperByArea;
public class ExtractHighlights {
public static void main(String args[]) {
System.out.println(extractHighlights("sample.pdf"));
}
public static String extractHighlights(String fileName){
String extractedText = "";
try {
PDDocument pddDocument = PDDocument.load(new File(fileName));
List allPages = pddDocument.getDocumentCatalog().getAllPages();
for (int i = 0; i < allPages.size(); i++) {
PDPage page = (PDPage) allPages.get(i);
List<PDAnnotation> la = page.getAnnotations();
if (la.size() < 1) {
continue;
}
for (PDAnnotation pda : la) {
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition(true);
PDRectangle rect = pda.getRectangle();
float x = rect.getLowerLeftX();
float y = rect.getUpperRightY();
float width = rect.getWidth();
float height = rect.getHeight();
int rotation = page.findRotation();
if (rotation == 0) {
PDRectangle pageSize = page.findMediaBox();
y = pageSize.getHeight() - y;
}
Rectangle2D.Float awtRect = new Rectangle2D.Float(x, y,
width, height);
stripper.addRegion("0", awtRect);
stripper.extractRegions(page);
String highlight = stripper.getTextForRegion("0").trim();
if(highlight.length() == 0) continue;
extractedText += highlight.substring(0,highlight.length()-2)+" ";
}
}
pddDocument.close();
//System.out.println(extractedText);
} catch (Exception ex) {
ex.printStackTrace();
}
return extractedText;
}
}
Вот код андроида, который не работает
@Override
protected String doInBackground(String... strings) {
String extractedText = "";
try {
Log.i("ExtractHighlights","Started");
PDDocument pddDocument = PDDocument.load(new File(strings[0]));
PDPageTree allPages = pddDocument.getDocumentCatalog().getPages();
int totalPages = allPages.getCount();
int pageNumber = 0;
for (PDPage page:allPages) {
publishProgress(pageNumber++,totalPages);
Log.i("ExtractHighlights", "Reading page");
List<PDAnnotation> la = page.getAnnotations();
if (la.size() < 1) {
continue;
}
for (PDAnnotation pda : la) {
Log.i("ExtractHighlights","Annotation found");
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition(true);
Log.i("ExtractHighlights","Getting rectangle");
PDRectangle rect = pda.getRectangle();
float x = rect.getLowerLeftX();
float y = rect.getUpperRightY();
float width = rect.getWidth();
float height = rect.getHeight();
RectF region = new RectF(x,y,width,height);
stripper.addRegion("0",region);
Log.i("ExtractHighlights","Extracting regions");
stripper.extractRegions(page);
Log.i("ExtractHighlights","Getting text from region");
String highlight = stripper.getTextForRegion("0").trim();
Log.i("ExtractHighlights",highlight);
if(highlight.length() == 0) continue;
extractedText += highlight.substring(0,highlight.length()-2)+" ";
}
Log.i("ExtractHighlights","Page done");
}
pddDocument.close();
Log.i("ExtractHighlights","Document closed");
} catch (Exception ex) {
ex.printStackTrace();
}
return extractedText;
}
Также это занимает очень много времени на Android, и Android предполагает, что программа потерпела крах.
Я могу попробовать преобразовать весь PDF в текст, но как я узнаю, какой текст выделен?