连续结构元素在阅读顺序面板合并为单一元素怎么办？

2024-03-11 04:57:13

解决连续结构元素在阅读顺序面板中合并为单个元素的问题

简介

PDF 文档的阅读顺序至关重要，因为它决定了用户如何阅读和理解其内容。在某些情况下，连续的结构元素（例如段落）在 Adobe Acrobat Reader 的阅读顺序面板中可能会作为一个元素显示，而不是按预期分开。本文将探讨导致此问题的原因并提供详细的解决方案。

问题分析

当 PDFTextStripper 类提取文本时，它会将其存储在 TextPositionsInfo 列表中。在将文本添加到内容流时，代码会逐个字符地绘制文本。虽然这对于单个元素（如标题）是有效的，但它会导致连续元素（如段落）合并为一个。

解决方案

要解决此问题，需要对代码进行以下修改：

识别连续元素：
在遍历 TextPositionsInfo 列表时，检查相邻元素的结构元素类型是否相同。如果相同，则将它们标记为连续元素。
对连续元素进行分组：
对于每个连续元素组，将它们分组到一个单独的 PDStructureElement 中。此元素将作为连续元素的父元素，并将其添加到阅读顺序树中。
设置正确的内容流：
对于每个连续元素组，开始一个标记的内容流。这将确保连续元素在阅读顺序面板中作为单独的元素显示。

代码修改

private PDStructureElement addTextCharByChar(List<TextPositionsInfo> textinfoList, String elementType, PDPage currentPage,
    PDStructureElement Parent) throws IOException {
    PDResources res = currentPage.getResources();
    PDStructureElement currParent = null;
    currentContentStream.beginText(); 

    // 识别连续元素
    List<List<TextPositionsInfo>> continuousElementGroups = new ArrayList<>();
    List<TextPositionsInfo> currentGroup = new ArrayList<>();
    for (TextPositionsInfo textInfo : textinfoList) {
        if (currentGroup.isEmpty() || currentGroup.get(0).elementType.equals(textInfo.elementType)) {
            currentGroup.add(textInfo);
        } else {
            continuousElementGroups.add(currentGroup);
            currentGroup = new ArrayList<>();
            currentGroup.add(textInfo);
        }
    }
    continuousElementGroups.add(currentGroup);

    // 对连续元素进行分组
    for (List<TextPositionsInfo> group : continuousElementGroups) {
        PDStructureElement groupParent = addStructEleToStructEleTree(elementType, Parent, currentPage, COSName.of(elementType));
        for (TextPositionsInfo textInfo : group) {
            PDFont font = getFonts(res, textInfo.fontName);
            if (font != null) {
                currentContentStream.setFont(font, 1);
                Matrix _tm = textInfo.textMatrix;
                currentContentStream.setTextMatrix(_tm);
                currentContentStream.showText(textInfo.unicode);
            }
        }
    }
    currentContentStream.endText();
    return currParent;
}