我正在对pdf电子书进行主题建模,需要逐段提取文本。为此,我使用apache pdfBox,它可以有效地从pdf中提取文本。
PDFParser解析器; PDFTextStripper pdfStrip = null; parsedText = pdfStrip.getText(pdDoc);
但我无法分别提取段落。此工具提供了一种设置段落开始/结束标识符的方法,但我需要知道段落中断标识符。
有没有办法做到这一点,或者是否有其他可用的工具可以有效地进行段落提取?
答案 0 :(得分:1)
PdfNitro是我找到的用于提取段落的最佳工具。
此工具的唯一问题是它将分页符视为分段符,否则效果很好。该工具有14天的试用版供测试。