PDFBox -可访问的PDF -如何检查PDF标签是否按照可访问性指南具有属性

Question

需要检查PDF标签是否按照可访问性指南具有属性。示例：

• H1 -验证H1是否存在于PDF中
• 图像(图标记)-验证图像\图形有一个Alt文本
• 语言-验证是否设置了语言属性，以便屏幕阅读器能够正确阅读。对于西班牙文和英文文件，应更新各自的语文代码。
• 表-访问表对象并验证表结构是否正确(标题列与行列匹配，等等)

到目前为止，我能够：

• 提取元数据并通过PDDocument.getDocumentInformation().getMetadataKeys();验证文档是否具有适当的标题、主题和生成信息
• 通过检查PDDocument.getDocumentCatalog().getMarkInfo().isMarked();标志验证PDF是否可访问

为了访问这些标记，我尝试了以下选项：

• getDocumentCatalog().getAcroForm()返回空
• PDDocument.getDocumentCatalog().getPages().get(0).getAnnotations();返回空
• 我试过遍历PDDocument.getDocumentCatalog().getStructureTreeRoot().getKids()，但它只返回一个StructElem类型的对象。

可访问PDF的创建是使用OpenText完成的，因此开发团队不了解PDFBox。在这里，我无法理解如何访问标记/对象(使用MarkedContent或其他东西)。

请建议如何提取单个对象(标记)，如P、H1、Table、图/图像，并验证它们的属性。注意:这些属性的手动验证是使用Acrobat执行的。

Answer 1

基于https://issues.apache.org/jira/browse/PDFBOX-7，您似乎可以使用PDFMarkedContentExtractor获取所需的信息。