java使用iText从pdf文档中检索所有标题

Question

我尝试阅读pdf文档并提取pdf文档中的所有标题。 标题示例：

1标题

1.1标题示例1

1.2标题示例2

1.2.1标题示例3

为此，我使用iText。你知道我该如何检索标题吗？ 多谢各位

PdfReader = new PdfReader((new FileInputStream(systemResource.getFile())));
PdfReaderContentParser parser = new PdfReaderContentParser(pdfReader);

for(int i = 1; i <= pdfReader.getNumberOfPages(); i++){
            TextExtractionStrategy simpleTextExtractionStrategy = parser.processContent(i, new SimpleTextExtractionStrategy());
            simpleTextExtractionStrategy.getResultantText();
}

Answer 1

PDF标准中基本上有两个组可用

• 标记：PDF文档包含有助于识别文档结构（段落、章节、页眉、页脚、表格、列表等）的元信息

• 未标记：PDF文档仅包含供查看者呈现页面的说明

  例如：

  • 将光标移动到50，50
  • 将字体设置为Helvetica，大小为12
  • 绘制字符“H”的图示符
  • 等等

  如果您的PDF文档已被标记，则可以轻松检索文档结构（以及标题）

如果PDF文档没有标记，则需要编写自己的自定义逻辑来识别文本块（原始数据被提供给IEventListener）。您需要将这些块合并成行（基于一些启发式）。然后你就可以识别页眉（使用“以数字开头”或“字体通常大于页面上的平均字体大小”等试探法）