如何使用iText库获取pdf文件的段落内容？

Question

有什么方法可以使用iText库来获取PDF文件中给定段落的段落数量或内容？我在一些代码中看到了一些类，如段落，块在创建新的PDF文件，但我找不到任何方式来获取这些类阅读文件。每个想法都被赞赏

Answer 1

您正在讨论的是PDF格式的PDF吗？否则，你对PDF做出了错误的假设。在PDF中，内容在页面上绘制。例如：一个iText PdfPTable被转换成文本状态操作符，将文本片段绘制到画布上，以及绘制路径和形状的图形状态操作符。如果PDF未加标签，则行不知道它们是表格的边界;一个单词不知道它属于哪个单元格。

这同样适用于段落：文本片段不知道它是否属于一个句子，一个段落，一个标题行，...

由于PDF的本质，是什么你正在寻找可能是不可能的（使用iText或任何其他软件产品），或可能需要启发式（人工智能）来检查所有文本状态操作符和内容的语义，以获得模仿人类如何解释文本的结果。

如果您的PDF标记正确，这很容易实现。请参阅ParseTaggedPdf示例。