在标记的 PDF 中提取阅读顺序序列

Question

我目前正在验证标记的 PDF 文件中内容的正确顺序。

有没有什么方法可以通过编程方式提取Tagged PDF Files的阅读序号？

我尝试将标记的 PDF 转换为 XML，但我无法确定哪些标记属于某个文本。

我尝试了以下库：

• 同步融合
• IText7

但我找不到任何获取其阅读顺序号的方法。

真的有可能吗？提前致谢！

Answer 1

您可以使用PdfPig (.Net) 库提取标记的 pdf 的标记内容树。我的理解是阅读顺序是由 Marked-content identifier (MCID) 来表示的。

如果标记的内容元素不包含 MCID（如分页元素），则 MCID 设置为 -1。

每个MarkedContentElement 都将包含属于它的字母、图像和路径：

        using UglyToad.PdfPig;
        [...]

        using (PdfDocument document = PdfDocument.Open(pathToFile))
        {
            for (int p = 0; p < document.NumberOfPages; p++)
            {
                var page = document.GetPage(p + 1);

                // extract the page's marked content
                var markedContents = page.GetMarkedContents(); 

                var orderedMarkedContents = markedContents
                       .OrderBy(mc => mc.MarkedContentIdentifier);

                foreach (var mc in orderedMarkedContents)
                {
                    // do something
                }
            }
        }

如果您想将结果提取到 XML，您可以查看 PageXmlTextExporter 类。查看wiki 以获取有关ITextExporter 和IReadingOrderDetector 的更多信息。

注意：我是这个库的积极贡献者。