Extract bold/italic markdown information

src/Document/ContentStream/PositionedText/PositionedTextElement.php

@@ -75,8 +75,7 @@ public function getHeight(): float {
      *
      * Reconstructed here because Tj/TJ do not advance the text matrix in this parser.
      */
-    public function getAdvanceWidth(Page $page): float {
-        $font = $this->getFont($page);
+    public function getAdvanceWidth(Font $font): float {
         $scaleX = $this->absoluteMatrix->scaleX;
         $fontSize = $this->textState->getFontSize();
 

src/Document/Object/Decorator/Font.php

@@ -288,4 +288,28 @@ public function getFontDescriptor(): ?ReferenceValue {
         return $this->getDictionary()
             ->getValueForKey($this->document, DictionaryKey::FONT_DESCRIPTOR, ReferenceValue::class);
     }
+
+    public function isBold(): bool {
+        $baseFont = $this->getBaseFont();
+        if ($baseFont === null) {
+            return false;
+        }
+
+        $baseFont = strtolower($baseFont);
+        return str_contains($baseFont, 'bold')
+            || str_contains($baseFont, 'heavy')
+            || str_contains($baseFont, 'black');
+    }
+
+    public function isItalic(): bool {
+        $baseFont = $this->getBaseFont();
+        if ($baseFont === null) {
+            return false;
+        }
+
+        $baseFont = strtolower($baseFont);
+        return str_contains($baseFont, 'italic')
+            || str_contains($baseFont, 'oblique')
+            || str_contains($baseFont, 'slanted');
+    }
 }

src/Extraction/Markdown/MarkdownExtractor.php

@@ -2,8 +2,11 @@
 
 namespace PrinsFrank\PdfParser\Extraction\Markdown;
 
+use PrinsFrank\MarkDownDom\Contract\InlineNode;
 use PrinsFrank\MarkDownDom\Document;
 use PrinsFrank\MarkDownDom\Node\Block\Paragraph;
+use PrinsFrank\MarkDownDom\Node\Inline\Bold;
+use PrinsFrank\MarkDownDom\Node\Inline\Italic;
 use PrinsFrank\MarkDownDom\Node\Inline\Text;
 use PrinsFrank\PdfParser\Document\ContentStream\PositionedText\PositionedTextElement;
 use PrinsFrank\PdfParser\Document\Object\Decorator\Page;
@@ -18,24 +21,38 @@ class MarkdownExtractor {
     public static function extractContent(array $positionedTextElements, Page $page): Document {
         $lineGroupedElements = TextOverlapStrategy::group($positionedTextElements);
 
-        $text = '';
+        $lineNodes = [];
+        $textBuffer = '';
+        $previousElementIsBold = $previousElementIsItalic = false;
         foreach ($lineGroupedElements as $i => $positionedTextElementsForLine) {
             if ($i !== 0) {
-                $text .= "\n";
+                if ($previousElementIsBold || $previousElementIsItalic) {
+                    self::flushNodes($lineNodes, $textBuffer, $previousElementIsBold, $previousElementIsItalic);
+                    $lineNodes[] = new Text("\n");
+                } else {
+                    $textBuffer .= "\n";
+                }
             }
 
             $previousTextElementOnLine = null;
+            $previousTextElementEndsWithSpace = false;
             foreach ($positionedTextElementsForLine as $positionedTextElement) {
                 $elementText = $positionedTextElement->getText($page);
                 if ($elementText === '') {
                     $previousTextElementOnLine = $positionedTextElement;
                     continue;
                 }
 
+                $font = $positionedTextElement->getFont($page);
+                if ($font->isBold() !== $previousElementIsBold
+                    || $font->isItalic() !== $previousElementIsItalic) {
+                    self::flushNodes($lineNodes, $textBuffer, $previousElementIsBold, $previousElementIsItalic);
+                }
+
                 if ($previousTextElementOnLine !== null) {
                     $gap = $positionedTextElement->absoluteMatrix->offsetX
                         - $previousTextElementOnLine->absoluteMatrix->offsetX
-                        - $previousTextElementOnLine->getAdvanceWidth($page);
+                        - $previousTextElementOnLine->getAdvanceWidth($font);
 
                     $wordBreakThreshold = $previousTextElementOnLine->textState->getFontSize()
                         * $previousTextElementOnLine->absoluteMatrix->scaleX
@@ -44,18 +61,57 @@ public static function extractContent(array $positionedTextElements, Page $page)
 
                     if (
                         $gap >= $wordBreakThreshold
-                        && str_ends_with($text, ' ') === false
+                        && $previousTextElementEndsWithSpace === false
                         && str_starts_with($elementText, ' ') === false
                     ) {
-                        $text .= ' ';
+                        $textBuffer .= ' ';
                     }
                 }
 
-                $text .= $elementText;
                 $previousTextElementOnLine = $positionedTextElement;
+                $previousTextElementEndsWithSpace = str_ends_with($elementText, ' ');
+                $previousElementIsItalic = $font->isItalic();
+                $previousElementIsBold = $font->isBold();
+                $textBuffer .= $elementText;
             }
         }
 
-        return new Document(new Paragraph(new Text($text)));
+        self::flushNodes($lineNodes, $textBuffer, $previousElementIsBold, $previousElementIsItalic);
+
+        return new Document(new Paragraph(...$lineNodes));
+    }
+
+    /** @param list<InlineNode> $lineNodes */
+    private static function flushNodes(array &$lineNodes, string &$textBuffer, bool $previousElementIsBold, bool $previousElementIsItalic): void {
+        if ($textBuffer === '') {
+            return;
+        }
+
+        $trailingWhitespace = null;
+        if ($previousElementIsBold || $previousElementIsItalic) {
+            if (str_starts_with($textBuffer, ' ')) {
+                $lineNodes[] = new Text(substr($textBuffer, 0, strlen($textBuffer) - strlen(ltrim($textBuffer))));
+                $textBuffer = ltrim($textBuffer);
+            }
+            if (str_ends_with($textBuffer, ' ')) {
+                $trailingWhitespace = new Text(substr($textBuffer, strlen(rtrim($textBuffer))));
+                $textBuffer = rtrim($textBuffer);
+            }
+        }
+
+        $lineNode = new Text($textBuffer);
+        if ($previousElementIsBold) {
+            $lineNode = new Bold($lineNode);
+        }
+
+        if ($previousElementIsItalic) {
+            $lineNode = new Italic($lineNode);
+        }
+
+        $lineNodes[] = $lineNode;
+        if ($trailingWhitespace !== null) {
+            $lineNodes[] = $trailingWhitespace;
+        }
+        $textBuffer = '';
     }
 }

tests/Samples/files/gdocs-lorem-ipsum-with-titles-and-formatting/contents.yml

@@ -16,15 +16,15 @@ pages:
       aperiam.
       Lorem ipsum dolor sit amet. Et omnis perferendis Et quisquam qui laboriosam explicabo et
       natus corrupti aut repudiandae iure quo inventore itaque et odio atque. Qui necessitatibus
-      odit et commodi accusamus Et fuga!
+      odit et commodi accusamusEt fuga!
       Qui distinctio praesentium sed corporis reiciendis eum
       molestiae eius.
       Qui aperiam aspernatur rem consectetur ullamest quod qui architecto corporis et
       repellendus expedita! Ex fuga ducimus Ea ipsam et nobis architecto sed ratione deserunt et
       iure sapiente qui animi Quis. Cum quod facilis eos exercitationem quam Est ullam est
       galisum assumenda cum distinctio tempora qui quasi rerum et pariatur harum.
       Est incidunt repellat aut iusto odit.
-      Et magnam incidunt eum possimus perspiciatis Quo pariatur aut perferendis laboriosam
+      Et magnam incidunt eum possimus perspiciatisQuo pariatur aut perferendis laboriosam
       eum repellat ipsa ut debitis ipsa ut distinctio dolores! Et rerum expeditaAut ullam ad ullam
       deleniti est facilis consequatur ut architecto nobis.
       Non debitis expedita ea reprehenderit asperiores et voluptatem quos.
@@ -34,7 +34,7 @@ pages:
       soluta nulla in culpa iure et quia recusandae? Qui veniam quia id maiores excepturiQui
       dolores et officia aperiam ab sint excepturi.
       Est molestias illum est dolorem praesentium cum soluta nesciunt.
-      Ut velit aspernatur ut earum debitis Qui ullam aut quod dolorum quo molestiae magni et
+      Ut velit aspernatur ut earum debitisQui ullam aut quod dolorum quo molestiae magni et
       corrupti minima. Id dolor error ab dignissimos corporis Quo commodi. Et soluta doloribus
       Eos quae in magnam praesentium aut accusantium laboriosam non nemo reprehenderit.
       Et eveniet ducimus Ut voluptatem et porro velit id suscipit impedit! Vel culpa itaque Eos fuga
@@ -45,36 +45,36 @@ pages:
       eos doloribus autem vel accusamus sequi et quidem reiciendis.
       ● Ut autem excepturi ut sequi laboriosam est quas debitis et placeat consequatur!
     markdown: |-
-      Nam quod molestias vel corporis
-      aperiam.
-      Lorem ipsum dolor sit amet. Et omnis perferendis Et quisquam qui laboriosam explicabo et
-      natus corrupti aut repudiandae iure quo inventore itaque et odio atque. Qui necessitatibus
-      odit et commodi accusamus Et fuga!
-      Qui distinctio praesentium sed corporis reiciendis eum
-      molestiae eius.
+      **Nam quod molestias vel corporis**
+      **aperiam.**
+      Lorem ipsum dolor sit amet. Et omnis perferendis *Et quisquam qui laboriosam explicabo et*
+      *natus corrupti* aut repudiandae iure quo inventore itaque et odio atque. Qui necessitatibus
+      odit et commodi accusamus**Et fuga**!
+      **Qui distinctio praesentium sed corporis reiciendis eum**
+      **molestiae eius.**
       Qui aperiam aspernatur rem consectetur ullamest quod qui architecto corporis et
-      repellendus expedita! Ex fuga ducimus Ea ipsam et nobis architecto sed ratione deserunt et
+      repellendus expedita! Ex fuga ducimus *Ea ipsam et nobis architecto sed ratione deserunt* et
       iure sapiente qui animi Quis. Cum quod facilis eos exercitationem quam Est ullam est
       galisum assumenda cum distinctio tempora qui quasi rerum et pariatur harum.
-      Est incidunt repellat aut iusto odit.
-      Et magnam incidunt eum possimus perspiciatis Quo pariatur aut perferendis laboriosam
-      eum repellat ipsa ut debitis ipsa ut distinctio dolores! Et rerum expeditaAut ullam ad ullam
+      **Est incidunt repellat aut iusto odit.**
+      Et magnam incidunt eum possimus perspiciatis**Quo pariatur aut perferendis laboriosam**
+      **eum repellat ipsa ut debitis ipsa** ut distinctio dolores! Et rerum expeditaAut ullam ad ullam
       deleniti est facilis consequatur ut architecto nobis.
-      Non debitis expedita ea reprehenderit asperiores et voluptatem quos.
-      Non minima soluta Sed delectus qui repellendus dolorem et galisum quia. Non sunt debitis
+      **Non debitis expedita ea reprehenderit asperiores et voluptatem quos.**
+      Non minima soluta *Sed delectus* qui repellendus dolorem et galisum quia. Non sunt debitis
       ab vitae aspernatur Ex minus eum optio assumenda est voluptatem illum et harum ipsam
-      rem veniam culpa. Aut adipisci deserunt non inventore ratione Hic iste vel sint unde non
-      soluta nulla in culpa iure et quia recusandae? Qui veniam quia id maiores excepturiQui
+      rem veniam culpa. Aut adipisci deserunt non inventore ratione **Hic iste vel sint unde non**
+      **soluta nulla in culpa iure** et quia recusandae? Qui veniam quia id maiores excepturiQui
       dolores et officia aperiam ab sint excepturi.
-      Est molestias illum est dolorem praesentium cum soluta nesciunt.
-      Ut velit aspernatur ut earum debitis Qui ullam aut quod dolorum quo molestiae magni et
-      corrupti minima. Id dolor error ab dignissimos corporis Quo commodi. Et soluta doloribus
+      **Est molestias illum est dolorem praesentium cum soluta nesciunt.**
+      Ut velit aspernatur ut earum debitis**Qui ullam aut quod dolorum quo molestiae magni et**
+      **corrupti minima**. Id dolor error ab dignissimos corporis *Quo commodi*. Et soluta doloribus
       Eos quae in magnam praesentium aut accusantium laboriosam non nemo reprehenderit.
-      Et eveniet ducimus Ut voluptatem et porro velit id suscipit impedit! Vel culpa itaque Eos fuga
-      aut totam laudantium qui eveniet molestiae vel dolores fugiat.
-      Est saepe soluta et vero voluptatemQuo maxime! Eos tempora quas ad nesciunt itaque Ea
-      nihil et ullam repellat et voluptatem delectus. Aut voluptatum pariatur Id molestias cum
-      nobis molestias. Ut velit distinctioEx consectetur eos debitis perspiciatis a minus commodi
+      Et eveniet ducimus *Ut voluptatem et porro velit id suscipit impedit*! Vel culpa itaque **Eos fuga**
+      **aut totam laudantium qui eveniet molestiae vel dolores fugiat**.
+      Est saepe soluta et vero voluptatemQuo maxime! Eos tempora quas ad nesciunt itaque **Ea**
+      **nihil et ullam repellat et voluptatem delectus**. Aut voluptatum pariatur *Id molestias cum*
+      *nobis molestias*. Ut velit distinctioEx consectetur eos debitis perspiciatis a minus commodi
       eos doloribus autem vel accusamus sequi et quidem reiciendis.
       ● Ut autem excepturi ut sequi laboriosam est quas debitis et placeat consequatur!
   -
@@ -85,7 +85,7 @@ pages:
       ● At adipisci enim id reiciendis officiis.
       ● Sed sapiente quia qui sint dolorem vel impedit magni.
       Et dicta voluptatem sit fugit saepevel nulla et debitis iure et ipsa voluptas? Est facere harum
-      et inventore eveniet Aut rerum est molestias quam qui perspiciatis magnam.
+      et inventore evenietAut rerum est molestias quam qui perspiciatis magnam.
       Qui eligendi saepe et neque autem A omnis et pariatur rerum est dolore rerum est facere
       quasi. Sit dolorem quiaet veritatis rem alias deleniti. Et voluptatem laborum et impedit
       atqueaut suscipit. Rem unde quos cum reprehenderit temporeQui eaque sit rerum distinctio
@@ -105,15 +105,15 @@ pages:
       ● At adipisci enim id reiciendis officiis.
       ● Sed sapiente quia qui sint dolorem vel impedit magni.
       Et dicta voluptatem sit fugit saepevel nulla et debitis iure et ipsa voluptas? Est facere harum
-      et inventore eveniet Aut rerum est molestias quam qui perspiciatis magnam.
-      Qui eligendi saepe et neque autem A omnis et pariatur rerum est dolore rerum est facere
-      quasi. Sit dolorem quiaet veritatis rem alias deleniti. Et voluptatem laborum et impedit
+      et inventore eveniet**Aut rerum est molestias quam qui perspiciatis magnam**.
+      Qui eligendi saepe et neque autem *A omnis et pariatur rerum est dolore rerum est facere*
+      *quasi*. Sit dolorem quiaet veritatis rem alias deleniti. Et voluptatem laborum et impedit
       atqueaut suscipit. Rem unde quos cum reprehenderit temporeQui eaque sit rerum distinctio
       ut ipsam culpa ab error sunt et quaerat Quis.
       In recusandae dolor id laudantium omnisaut velit aut perferendis omnis qui tenetur
       explicabo. Et maxime assumenda et ipsam itaqueAut deleniti ut excepturi alias et fugit
-      facere non modi laudantium. Qui sapiente rerum non sunt ipsum Ad maxime est velit
-      eligendi aut quaerat officia est architecto magnam?
+      facere non modi laudantium. Qui sapiente rerum non sunt ipsum *Ad maxime est velit*
+      *eligendi aut quaerat officia est architecto magnam*?
       1. Et sequi ipsum et expedita ipsum eum dolore laborum.
       2. Id enim unde eos commodi quidem et eius quaerat.
       3. Est tempore veritatis sed aliquam Quis.