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。内容要逐段处理，每段我都需要它的位置进行后续处理。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. 不知道如何逐段提取内容。
2. 不知道如何存储段落位置以供后续处理（例如高亮等）

谢谢。

Answer 1

我使用 Poppler 的命令行 pdftohtml 来提取富文本，但如果您需要清理段落，那么 PDF 必须是标记 PDF。如果您需要段落的 (x,y) 坐标，那么您需要深入研究 Poppler。还有 Apache PDFbox Java 库也可以使用。如果您在段落的开头添加注释，那么您可以将注释作为 XML 从 PDF 中提取出来，您将在其中找到注释的 (x,y) 坐标！ Adobe 对 PDF 进行了巧妙的加密以使其无法被发现，因此在没有 Adob​​e 工具的情况下将其提取出来可能并不容易（这包括所有的法律麻烦等）。