是否可以使用iText获取现有PDF文档的元素？

Question

我想使用iText API阅读并获取现有PDF文档的元素。 示例：文档包含PDF表格，我想在阅读文档时获取该表格。

Answer 1

直接轻松，没有。

如果你愿意投入工作，那取决于。

如果你愿意投入大量的工作，是的。

请允许我详细说明。有两种PDF规范。标记和未标记的PDF。标记PDF时，表示保留所有结构信息。每个字符都属于一行，每一行都属于一个段落，而表，列表（和其他结构元素）知道哪些行和段落都包含在其中。

如果您有未标记的PDF，则它仅包含呈现文档所需的说明。您可以将其想象为

  

转到位置50,50   将字体设置为Arial Unicode
  将字体大小设置为12
  画出字符'H'

这是解决方案取决于工作量的地方。 如果您的PDF被标记，您可以使用iText提取标记信息，这允许您重建PdfTable的结构概念。 （您也可以使用IEventListener查找使用的字体，字体大小等）

如果PDF未标记，您可以尝试在渲染说明中查找结构。

这是一个难题。研究的主题甚至。 目前的研究似乎存在两种主要方法：

• 基于规则（如果字符的距离小于给定的epsilon，则字符被视为同一行的一部分，并且在给定的边距内，它们的y位置大致相同，等等）
• 神经网络（“渲染PDF”并将图像视为图像分类网络的输入）