Android平台下使用PDFBox精确提取PDF区域文本教程

dependencies {
    implementation 'com.tom-roush:pdfbox-android:2.0.25.0' // 示例版本号，请检查最新版本
}

import com.tom_roush.pdfbox.android.PDFBoxResourceLoader;
import android.app.Application;

public class MyApplication extends Application {
    @Override
    public void onCreate() {
        super.onCreate();
        PDFBoxResourceLoader.init(getApplicationContext());
    }
}

import android.graphics.RectF;
import android.os.Environment;
import android.content.Context;
import com.tom_roush.pdfbox.android.PDFBoxResourceLoader;
import com.tom_roush.pdfbox.pdmodel.PDDocument;
import com.tom_roush.pdfbox.text.PDFTextStripperByArea;

import java.io.File;
import java.io.IOException;

public class PdfTextExtractor {

    private Context applicationContext;

    public PdfTextExtractor(Context context) {
        this.applicationContext = context.getApplicationContext();
        // 确保PDFBoxResourceLoader已初始化
        // 最好在Application类中初始化，避免重复
        // PDFBoxResourceLoader.init(applicationContext); 
    }

    /**
     * 从PDF文档的指定区域提取文本。
     * @param pdfFileName PDF文件名（位于Downloads目录）
     * @param pageIndex 页面索引（从0开始）
     * @param regionRect 要提取文本的区域矩形
     * @param regionName 区域的名称
     * @return 提取到的文本，如果失败则返回null
     */
    public String extractTextFromPdfRegion(String pdfFileName, int pageIndex, RectF regionRect, String regionName) {
        PDDocument document = null;
        String extractedText = null;
        try {
            // 获取外部存储的公共下载目录
            File path = Environment.getExternalStoragePublicDirectory(Environment.DIRECTORY_DOWNLOADS);
            File file = new File(path, pdfFileName);

            if (!file.exists()) {
                System.err.println("PDF文件不存在: " + file.getAbsolutePath());
                return null;
            }

            document = PDDocument.load(file);

            // 初始化PDFTextStripperByArea
            PDFTextStripperByArea stripper = new PDFTextStripperByArea();
            stripper.setSortByPosition(true); // 按照文本在页面上的位置排序

            // 添加要提取的区域
            // 注意：PdfBox-Android已适配RectF
            stripper.addRegion(regionName, regionRect);

            // 提取指定页面的区域文本
            // 注意：getPage(index)的索引是从0开始
            stripper.extractRegions(document.getPage(pageIndex));

            // 获取提取到的文本
            extractedText = stripper.getTextForRegion(regionName);
            System.out.println("从区域 '" + regionName + "' 提取的文本:\n" + extractedText);

        } catch (IOException e) {
            System.err.println("处理PDF时发生错误: " + e.getMessage());
            e.printStackTrace();
        } finally {
            if (document != null) {
                try {
                    document.close();
                } catch (IOException e) {
                    System.err.println("关闭PDF文档时发生错误: " + e.getMessage());
                    e.printStackTrace();
                }
            }
        }
        return extractedText;
    }

    // 示例用法
    public static void main(String[] args) {
        // 在实际Android应用中，这部分代码应在Activity或Service中执行
        // 并且需要处理文件读写权限
        // RectF rect = new RectF(100, 100, 300, 300); // 定义一个示例区域
        // PdfTextExtractor extractor = new PdfTextExtractor(yourApplicationContext);
        // String text = extractor.extractTextFromPdfRegion("Test.pdf", 0, rect, "class1");
        // if (text != null) {
        //     // 处理提取到的文本
        // }
    }
}