我正在使用Apache PDFbox库从PDF文件中提取突出显示的文本（即黄色背景）。我对这个库是完全陌生的，并且不知道它用于哪个目的。到目前为止，我已经使用以下代码从注释中提取了文本。
PDDocument pddDocument = PDDocument.load(new File("test.pdf"));
List allPages = pddDocument.getDocumentCatalog().getAllPages();
for (int i = 0; i < allPages.size(); i++) {
int pageNum = i + 1;
PDPage page = (PDPage) allPages.get(i);
List<PDAnnotation> la = page.getAnnotations();
if (la.size() < 1) {
continue;
}
System.out.println("Total annotations = " + la.size());
System.out.println("\nProcess Page " + pageNum + "...");
// Just get the first annotation for testing
PDAnnotation pdfAnnot = la.get(0);
System.out.println("Getting text from comment = " + pdfAnnot.getContents());
现在，我需要突出显示文本，任何代码示例都将受到高度赞赏。
问题中的代码无法读取行中突出显示的确切文本，已经说明了大多数概念，这些概念可用于从具有PDFBox的页面上的有限内容区域提取文本。
在研究了这段代码之后，OP仍在想一个注释：
但是令我困惑的一件事是QuadPoints而不是Rect。正如您在评论中提到的那样。这是什么，您能用一些代码行还是用简单的词来解释，因为我也面临着多行高度的相同问题？
通常，注释所指的区域是矩形：
Rect矩形（必需）注释矩形，以默认用户空间单位定义注释在页面上的位置。
（摘自表164 – ISO 32000-1中所有注释词典共有的条目）
对于某些注释类型（例如，文本标记），此位置值不足，因为：
因此，为了应对此类注释类型，PDF规范提供了一种更通用的方式来定义区域：
QuadPoints array （必需）一个8×n数字的数组，用于指定默认用户空间中n个四边形的坐标。每个四边形应在注释下方的文本中包含一个单词或一组连续单词。每个四边形的坐标应按顺序给出
x 1 y 1 x 2 y 2 x 3 y 3 x 4 y 4
以逆时针顺序指定四边形的四个顶点（请参见图64）。文本应相对于边缘连接点（x 1，y 1）和（x 2，y 2）定向。
（摘自表179 – ISO 32000-1中特定于文本标记注释的其他条目）
因此，代替由
PDRectangle rect = pdfAnnot.getRectangle();
在所引用问题的代码中，您必须考虑由给出的四边形
COSArray quadsArray = (COSArray) pdfAnnot.getDictionary().getDictionaryObject(COSName getPDFName("QuadPoints"));
并相应地定义区域PDFTextStripperByArea stripper。不幸的是，PDFTextStripperByArea.addRegion期望矩形作为参数，而不是通用的四边形。由于文本通常是水平或垂直打印的，因此不会造成太大的问题。
PS关于QuadPoints规格的警告，在实际的PDF中顺序可能有所不同，请参见。问题PDF规格VS创建的Acrobat（QuadPoints） 。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句