PDFBox-可访问PDF-如何根据可访问性准则检查PDF标签是否具有属性

Question

需要根据可访问性准则检查PDF标签是否具有属性。 例子：

• H1-验证PDF中是否存在H1
• 图片（图标记）-验证图片\图是否有替代文字
• 语言-验证是否设置了语言属性，以便屏幕阅读器可以正确阅读。对于西班牙语和英语文档，应更新相应的语言代码
• 表-访问表对象并验证表结构是否正确（标题列与行列匹配等）

到目前为止，我能够：

• 通过PDDocument.getDocumentInformation().getMetadataKeys();
提取元数据并验证文档是否具有正确的标题，主题和生产者信息。
• 通过检查PDDocument.getDocumentCatalog().getMarkInfo().isMarked();标志来验证是否可访问PDF

要访问标签，我尝试了以下选项：

• getDocumentCatalog().getAcroForm()返回Null
• PDDocument.getDocumentCatalog().getPages().get(0).getAnnotations();返回Null
• 我尝试遍历PDDocument.getDocumentCatalog().getStructureTreeRoot().getKids()，但是它只返回1个StructElem类型的对象

可访问PDF的创建是使用OpenText完成的，因此开发团队不了解PDFBox。 我在这里迷失了如何访问标签/对象（使用MarkedContent或其他方法）。

请建议如何提取单个对象（标签），例如P，H1，表格，图形/图像并验证其属性。 注意：这些属性的手动验证是使用Adobe Acrobat Pro

进行的

Answer 1

基于https://issues.apache.org/jira/browse/PDFBOX-7，看来您可以使用PDFMarkedContentExtractor来获取所需的信息。