如何从pdf文件中提取段落并存储其位置？

Question

我将使用PDFBox库提取PDF文件的内容。内容应逐段处理，对于每一段，我需要其后续处理的位置。使用以下代码，我可以提取输入PDF的全部内容：

PDDocument doc = PDDocument.load(file);
PDFTextStripper stripper = new PDFTextStripper();
String txt = stripper.getText(doc);
doc.close();

我有两个问题：

1. 我不知道如何逐段提取内容。
2. 我不知道如何存储段落的位置以进行后续处理（例如突出显示等）。

感谢。

Answer 1

我使用Poppler的命令行pdftohtml来提取富文本，但如果你需要段落清理，那么PDF必须是标记的PDF。如果您需要段落的（x，y）坐标，那么您需要深入挖掘Poppler。还可以使用Apache PDFbox Java库。如果您在段落的开头做了注释，那么您可以从PDF中提取注释作为XML，您将在其中找到注释的（x，y）坐标！ Adobe在PDF中加入了一个聪明的加密技术，使其无法发现，因此在没有Adobe工具的情况下解决这个问题可能并不容易（除了所有合法的麻烦等）。