了解PDF DOM

Question

我正在编写一个应用程序，它必须读取和解释存储在某些PDF文件中的数据。阅读部分已完成，但我只能在页面上转储所有单词，而不是单词的格式。我的意思是，如果我必须提取一个表，我会得到表中的数字，但不是定义表的标记。

此外，还有一些格式用于在括号内显示这些数字中的一些（意味着这些数字是负数），但括号本身不是文本的一部分。因此，我无法区分PDF表格中的正数和负数！

如何获得PDF标记以及文本？ PDF是否在结构上类似于带有用于标记表等的标记的XML？如果没有，那么，是否存在描述PDF DOM显着特征的资源？

我正在使用VBA和Acrobat库（AcroExch等）

Answer 1

在HTML等意义上没有“PDF标记”这样的东西。除了使用OCR之外，PDF中的表格不能与艺术线条区分开来，如果布局复杂，这可能容易出错。它只是使用几何形状绘制，就像在基于矢量的图形程序中一样。

Answer 2

“PDF是否与XML结构类似，带有用于标记表格的标记等？”

不，完全没有。

也没有“DOM”这样的东西。谷歌的文件名为* PDF32000_2008.pdf *。 v1.7（ISO规范）的当前PDF规范就是该文件。您应该能够在Adobe网站上找到它。

Answer 3

正如omz所说，PDF中的文本实际上没有结构。您可以查看规范here。但是，对于某些非常具体的文件，有一种叫做PDF标签或PDF标记内容的东西，这是相当新的，它的目的是为PDF文档提供某种结构。如果你专门针对这种文件，你可能能够实现某些目标。请查看Adobe规范的第10章（文档交换）以获取更多详细信息。

Answer 4

使用 TET ，可以通过pdflib.com（http://www.pdflib.com/products/tet/的优秀人员制作的文本提取工具包），以更少的工作量和更快的速度完成您想要实现的目标。

AFAIR，TET也有一些（有限的）表格检测支持......