有没有办法使用iText库来获取pdf文件中的段落数量或给定段落的内容?我看到一些类,如段落,块在一些代码中创建新的pdf文件,但我找不到任何方法来让这些类在读取文件中。每一个点子都值得欣赏
发布于 2013-03-19 02:59:22
您正在谈论的PDF是带标签的PDF吗?如果不是,那么您对PDF的假设是错误的。在PDF中,内容绘制在页面上。例如: iText PdfPTable被转换为文本状态操作符和图形状态操作符,文本状态操作符将文本片段绘制到画布上。如果PDF没有标记,行就不知道它们是表格的边框;单词不知道它属于哪个单元格。
同样的道理也适用于段落:文本片段不知道它是否属于句子、段落、标题行……
由于PDF的本质,您要查找的内容可能是不可能的(使用iText或任何其他软件产品),或者可能需要启发式(人工智能)来检查所有文本状态运算符和内容的语义,以获得模仿人类解释文本的结果。
如果您的PDF标记正确,这是非常容易实现的。请参阅ParseTaggedPdf示例。
https://stackoverflow.com/questions/15484354
复制相似问题