如何使用 java 解析 pdf，其中使用 Latex 生成（以获得章节或部分的结构）答案

【问题标题】：How to parse pdfs with java, which where generated with latex (to get the structure like chapters or sections)如何使用 java 解析 pdf，其中使用 Latex 生成（以获得章节或部分的结构）
【发布时间】：2012-10-28 19:14:50
【问题描述】：

我有一个问题。我正在尝试从 pdf 文档中提取结构化文本。由于 pdf 通常没有结构，我想我可以开始解析用乳胶生成的 pdf，它应该有一些结构。

您知道我可以使用 Latex 生成的 pdf 中的任何模式来解析 pdf 吗？

【问题讨论】：

虽然我怀疑你会发现一些非常好的模式，但如果你更严格地定义环境，机会可能会增加。上次我接触 LaTeX 时，从 LaTeX 创建 PDF 有不同的路径：通过 TeX 设备独立文件，即 LaTeX -> DVI -> [PS ->] PDF，直接通过 LaTeX -> PDF。如果有模式，那么对于那些不同的路径，它们肯定是不同的。模式还可能取决于所涉及软件的版本。

标签： java parsing pdf latex structure

【解决方案1】：

查看PDF Box，用于从 PDF 文档中解析文本。或者您可以使用Apache Tika，它提供对多种文档类型的解析，具有标准接口（可能有点矫枉过正）。我不建议尝试手动执行此操作。

【讨论】：

感谢您的快速回复。我看了一下 iText、PDFBox 和 Apache Tika。我能够从 pdf 文件中解析出内容。问题是我想构建类似树的东西，其中内容被结构化为部分和子部分等。

【解决方案2】：

商业解决方案 Infty 阅读器

http://www.sciaccess.net/en/InftyReader/index.html

在试用模式下，识别仅限于一页每次，每天 5 页。

用终端

快速而肮脏的解决方案，这可能需要大量尝试和错误。
1. 您的 pdf 必须是可解析的
  - pdftotext 'your-file.pdf' your-file.txt
2. 您的 pdf 中需要一个模式（例如每张幻灯片的版权）
  - sed -n '/<PATTERN>/{n;n;n;p}' your-file.txt | awk '!x[$0]++' > your-file-structure.txt
  - 更改 {n;n;n;p}，因为它当前正在打印 p 下一个下一个下一个 n;n;n 模式之后的行
  - awk '!x[$0]++' 删除重复项

【讨论】：