java pdf解析器_Java的高级PDF解析器

小编典典

目前，iText是我选择的PDF工具。

完整的可见文字

“可见”是一个艰难的过程。您可以使用com.itextpdf.text.pdf.parse包的类来解析所有可分析的文本…但是这些类对CLIPPING不了解。您可以很容易地将解析器限制为页面大小。

// all text on the page, regardless of position

PdfTextExtractor.getTextFromPage(reader, pageNum);

实际上，您实际上需要采用TextExtractionStrategy(已过滤策略)的替代。它很快就变得很有趣，但是我认为您可以在这里“开箱即用”获得所需的一切。

图片

是的，通过相同的包类。图像侦听器不像文本侦听器那样受支持，但确实存在。

链接

是。链接是指向各种PDF页面的“注释”。找到它们很简单，只需遍历每个页面的“注释数组”并挑选链接注释即可。

PdfDictionary pageDict = myReader.getPageN(1);

PdfArray annots = pageDict.getAsArray(PdfName.ANNOTS);

ArrayList dests = new ArrayList();

if (annots != null) {

for (int i = 0; i < annots.size(); ++i) {

PdfDictionary annotDict = annots.getAsDict(i);

PdfName subType = annotDict.getAsName(PdfName.SUBTYPE);

if (subType != null && PdfName.LINK.equals(subType)) {

PdfDictionary action = annotDict.getAsDict(PdfName.A);

if (action != null && PdfName.URI.equals(action.getAsName(PdfName.S)) {

dests.add(action.getAsString(PdfName.URI).toString());

} // else { its an internal link, meh }

}

}

}

您可以在此处找到PDF规范。

输入元素

绝对是 对于XFA(LiveCycle Designer)或较旧技术的“ AcroForm”表单，iText可以找到所有字段及其值。

AcroFields fields = myReader.getAcroFields();

Set fieldNames = fields.getFields().keySet();

for (String fldName : fieldNames) {

System.out.println( fldName + “: ” + fields.getField( fldName ) );

}

多重选择列表将无法很好地处理。在冒号之后，您将在空白处输入空白文本字段和按钮。没有什么内容丰富…但是那会让您入门。

文档元标记，例如标题，描述或作者

很琐碎。是。

Map info = myPdfReader.getInfo();

System.out.println( info );

除了基本的author / title / etc外，还有一个相当复杂的XML模式，您可以通过访问reader.getMetadata()。

仅标题

A TextRenderFilter可以根据您希望的任何条件忽略文本。根据您的评论，字体大小听起来不错。

2020-09-16