首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >如何使用iText库获取给定的pdf文件的段落内容?

问如何使用iText库获取给定的pdf文件的段落内容?
EN

Stack Overflow用户
提问于 2013-03-19 02:38:53
回答 1查看 2.7K关注 0票数 1

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

EN

回答 1

Stack Overflow用户

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。

票数 3
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/15484354

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档