gistfile1.java

package cz.dizzi

import com.itextpdf.text.pdf.PRTokeniser
import com.itextpdf.text.pdf.PdfName
import com.itextpdf.text.pdf.PdfReader
import com.itextpdf.text.pdf.parser.ImageRenderInfo
import com.itextpdf.text.pdf.parser.PdfImageObject
import com.itextpdf.text.pdf.parser.PdfReaderContentParser
import com.itextpdf.text.pdf.parser.RenderListener
import com.itextpdf.text.pdf.parser.TextRenderInfo
import java.awt.image.BufferedImage
import javax.imageio.ImageIO

class PDF2Text {
	public static void main(String[] args) {
		PdfReader reader = new PdfReader("d:\\autoskola\\vestnik20110426.pdf");
		def pages = reader.getNumberOfPages()
		println "Pages: " + pages

		PdfReaderContentParser parser = new PdfReaderContentParser(reader);
		for (i in 3..pages) {
			print "."
			if(((i-2)%20)==0)
				println ""
			parser.processContent(i, new RenderListener(){
				def textFile
				{
					this.textFile = new File("D:\\autoskola\\text.txt")
				}
				public void beginTextBlock() { }
				public void endTextBlock() { }
				public void renderImage(ImageRenderInfo renderInfo) {
					def imgPlaceholder = "<Image>-"+renderInfo.getRef().getNumber() 
					//println imgPlaceholder
					this.textFile.append(imgPlaceholder+"\n")
					saveJPG(renderInfo, "D:\\autoskola\\img%s.%s")	
				}
				public void renderText(TextRenderInfo renderInfo) {
					def text = renderInfo.getText()
					if(text ==~ /\d{1,2}\.\d{1,2}\.\d{4}/) // remove dates
						return
					if(text ==~ /\d{1,3}/) // remove page number
						return
					if(text ==~ /V.stn.k dopravy/) //remove header/footer
						return
					if(text ==~ /Zkou.ka z p.edpis. o provozu na pozemn.ch komunikac.ch a zdravotnick. p..pravy/) //remove header/footer
						return
					if(text ==~ /Zkou.ka profesn. zp.sobilosti/) //remove header/footer
						return
					if(text ==~ /P..loha/) //remove header/footer
						return
						
					if(text ==~ /\d{8}/) // new line before new question
						text="\n"+text
							
					//println text
					this.textFile.append(text+"\n")
				}
				public void saveJPG(renderInfo, path){
					String filename;
					FileOutputStream os;
					PdfImageObject image = renderInfo.getImage();
					PdfName filter = (PdfName)image.get(PdfName.FILTER);
					if (PdfName.DCTDECODE.equals(filter)) {
						filename = String.format(path, renderInfo.getRef().getNumber(), "jpg");
						os = new FileOutputStream(filename);
						os.write(image.getStreamBytes());
						os.flush();
						os.close();
					} else {
						BufferedImage awtimage = renderInfo.getImage().getBufferedImage();
						if (awtimage != null) {
							filename = String.format(path, renderInfo.getRef().getNumber(), "png");
							ImageIO.write(awtimage, "png",	new FileOutputStream(filename));
						}
					}
				}
			});
		}
	}
}

Output

10110045
Na této křižovatce
<Image>-835
a) je přednost v jízdě upravena svislými dopravními značkami.
b) není přednost v jízdě upravena svislými dopravními značkami.
c) má přednost v jízdě vozidlo z výhledu.

06050556
Lhůta pro přistavení silničního vozidla k pravidelnému měření emisí se počítá ode dne:
a) Prodeje vozidla a potom vždy ode dne provedení pravidelného měření emisí zapsaného v osvědčení o
měření emisí.
b) Prvního zaregistrování vozidla a potom vždy ode dne provedení pravidelného měření emisí zapsaného
v osvědčení o měření emisí.
c) Vyrobení vozidla a potom vždy v pravidelných pětiletých lhůtách.

06060086
Zjistíme-li závady na brzdovém systému, které zjevně znemožňují účinně zastavit vozidlo a tím
ohrožují bezpečnost provozu na pozemních komunikacích:
a) Vozidlo lze provozovat na pozemních komunikacích na základě jednorázového povolení policie.
b) S vozidlem lze přiměřenou rychlostí dojet jen do nejbližšího místa, kde lze závadu odstranit.
c) Vozidlo nesmí být užito k provozu na pozemních komunikacích, smí však být vlečeno na tyči.

06060087
Lhůta pro přistavení silničního vozidla k pravidelné technické prohlídce se počítá ode dne:
a) Prvního zaregistrování silničního vozidla a potom vždy ode dne provedení pravidelné technické
prohlídky.
b) Prodeje silničního vozidla a potom vždy ode dne úspěšného provedení pravidelné technické prohlídky.
c) Vyrobení silničního vozidla a potom vždy v pravidelných pětiletých lhůtách.