如何从pdf文件中提取段落并存储其位置？
如何从pdf文件中提取段落并存储其位置？
提问于 2014-08-03 23:14:48
我将使用PDFBox库提取PDF文件的内容。内容应逐段处理，对于每一段，我需要它的立场进行后续处理。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：
- 我不知道如何逐段提取内容。
- 我不知道如何存储段落的位置以便进行后续处理(例如高亮显示等等)。
谢谢。
回答 1
Stack Overflow用户
发布于 2014-08-03 23:36:23
我使用波普勒的命令行pdftohtml提取丰富的文本，但如果你需要段落干净，那么PDF必须是一个标记-PDF。如果你需要这个段落的(x，y)协调，那么你需要更深入地挖掘波普尔。还可以使用Apache库。如果您在段落的开头做了一个注释，那么您可以从PDF中提取作为XML的注释，在这里您将找到注释的(x，y)协调！Adobe在PDF中加入了一种巧妙的加密，使其无法被发现，因此，如果没有Adobe工具，就很难将其提取出来(这与所有的法律问题等等有关)。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/25109969
复制相关文章
相似问题
腾讯云开发者
