摘要：
上一篇介绍了整体流程以及利用库读取pdf内容形成字符集合。这篇着重介绍下，过滤规则，毕竟我们是使用规则过滤，最后得到标题的。 首先看归一化处理，什么是归一化呢？就是使结果始终处于0-1之间(包括0,1）。 这段代码，就是给块打分的一个方法。它包含了投票思想以及归一处理问题的思想。对于一个块，我们从不 阅读全文
摘要：
上面就是获取标题的整体逻辑代码。29行，是调用pdfboxLib，读取pdf第一页内容： 第23行 printer.processStream方法，会触发自定义类PrintTextLocation2类中的字符处理方法 processTextPosition： 这样我们就利用pdfbox收集了pdf文 阅读全文
摘要：
首先看看我的项目结构： 从上面的结果图中，我们可以看出，主要用了两个库：itextsharp.dll 和 pdfbox-1.8.9.dll，dll文件夹存放引用的库，handles文件夹存放抽取的处理代码，lib文件夹中，相当于数据库中的DBHelp类的作用。model文件夹就不用介绍了，大家都知道 阅读全文
摘要：
由于工作的需要，研究c#抽取pdf文档标题有3个月了。这项工作是一项”伟大而艰巨”的任务。应该是我目前研究工作中最长的一次。我觉得在长时间忙碌后，应该找些时间，把自己的心路历程归纳整理，倾诉给读者，使自己的心回归，重新回归自然、平静的状态。每一次的研究工作，说实话，都很累，犹如爬山。在到达山顶的那一 阅读全文
摘要：
有个同事想要从html网页标签中提取特定内容，让我帮忙看看。我研究了下，做了个小工具。 目标：匹配出 <p><label id="catalog_FUND">基金：</label> 这个p标签里面的a标签的内容 解决方案：由于一次性匹配出来，难度太大，因此可分为两步走，首先获取这个p标签里面的所有a 阅读全文