Question

PDF中的页码有不同的变体，有些PDF的初始页面为罗马数字，如I，ii，后来页码为1,2，....我在pdfbox中找到了一个函数来获取所需的页面page.get(pagenumber)。但是这个函数的问题在于，当我写get(1)时，它返回文档的第一页（可以编号为ii而不是页码为2的页面）。有没有办法获得PDF中的页码是2而不是第二页的页面？

Answer 1

PDF规范ISO 32000-1:2008中的第12.4.2节页面标签说明了如何在文档中定义页面标签（您想要了解的特殊页码）：

PDF文档中的每个页面都应由整数页索引标识，该索引表示页面在文档中的相对位置。此外，文档可以可选地定义页面标签（PDF 1.3）以在屏幕上或在打印中可视地识别每个页面。页面标签和页面索引不一致：索引应该是固定的，从第一页的0开始连续通过文档运行，但标签可以以适合特定文档的任何方式指定。

出于页面标注的目的，文档应分为标签范围，每个标签范围是使用相同编号系统的一系列连续页面。范围内的页面应按升序顺序编号。页面的标签由基于其在标签范围内的位置的数字部分组成，可选地前面带有表示范围本身的标签前缀。

文档的标签范围应由文档目录中的PageLabels条目定义（参见7.7.2，“文档目录”）。此条目的值应为数字树（7.9.7，“数字树”），其每个键是标签范围中第一页的页面索引。相应的值应是页面标签字典，用于定义该范围内页面的标签特征。树应包含页面索引0的值。表159显示页面标签字典的内容。

更多细节和示例cf. specification本身。

使用低级PDFBox方法，可以轻松提取文档目录中的 PageLabels 条目并检索标签详细信息

Answer 2

虽然标题提到了PDFBox，但您还要添加标签itext，所以让我向您展示如何使用iText提取PageLabels：

PdfReader reader = new PdfReader(src);
String[] labels = PdfPageLabels.getPageLabels(reader);

现在你有一个String数组，你可以拥有：

labels[0] = "i";
labels[1] = "ii";
labels[2] = "iii";
labels[3] = "iv";
labels[4] = "1";
labels[5] = "2";
labels[6] = "3";
and so on...

现在，如果您想知道哪个物理页面与页面标签HashMap对应，您可以将这些值与index + 1和"2"一起作为页码。

Answer 3

PDPageLabels.getLabelsByPageIndices（）用于获取所有页面标签的列表。

PDDocument document = PDDocument.load(new File(src));
PDPageLabels lable = document.getDocumentCatalog().getPageLabels();
String[] range = lable.getLabelsByPageIndices(); //all page label
int pageNumber = 1; //page number for find page
int index = Arrays.binarySearch(range, pageNumber);  //get page which have given page number
PDPage page = document.getPage(index);
document.close();

您将获得所有页面标签数组。查找特定页码的索引并获取该页。

如何使用pdfbox读取pdf文档的当前页码

3 个答案: