Java 与PDFBox文档内容对象中的PDF段落关联的文本

我试图获取与在PDF文件的内容树中导航的段落相关联的文本。我使用的是PDFBox，无法找到段落与其包含的文本之间的链接（请参见下面的代码）：

public类ReadPdf{
公共静态void main（字符串[]args）引发IOException{
MyBufferedWriter out=新建MyBufferedWriter（新建文件写入程序(
“C:/Users/wip.txt”）；
RandomAccessFile raf=新的RandomAccessFile（新文件(
“C:/Users/mypdf.pdf”），“r”）；
PDFParser解析器=新的PDFParser（raf）；
parser.parse（）；
COSDocument cosDoc=parser.getDocument（）；
out.write（cosDoc.getXrefTable（）.toString（））；
out.write（cosDoc.getObjects（）.toString（））；
PDDocument document=parser.getPDDocument（）
document.getClass（）；
COSParser COSParser=新的COSParser（raf）；
PDStructureTreeRoot treeRoot=document.getDocumentCatalog（）.getStructureTreeRoot（）；
for（对象kid:treeRoot.getKids（））{
对于（对象kid2:（（pdstructurelement）kid.getKids（））{
pdstructurelement kid2c=（pdstructurelement）kid2；
if（kid2c.getStandardStructureType（）=“P”）{
for（对象kid3:kid2c.getKids（））{
if（PDStructureElement的kid3实例）{
pdstructurelement kid3c=（pdstructurelement）kid3；
}
否则{
对于（Entryentry:kid2c.getCOSObject（）.entrySet（））{
//打印段落中的所有关键字
System.out.println（entry.getKey（）.toString（））；
System.out.println（entry.getValue（）.toString（））；}
}}}}}}}

当我打印内容时，我会得到以下键：

• /P：对父项的引用
• /A：该段的格式
• /K：该段在本节中的位置
• /C：段落名称（！=文本）
• /Pg：参考页面

示例输出：

COSName{K}

余弦{2}

COSName{Pg}

余对象{12，0}

COSName{C}

COSName{Normal}

COSName{A}

余对象{434，0}

COSName{S}

COSName{Normal}

COSName{p}

COSObject{421，0}

现在，这些都没有指向段落中的实际文本。 我知道当我用acrobat打开文档时，可以通过解析获得关系（见下图）：

---

我找到了一种方法，通过解析页面中的内容流来实现这一点。 浏览PDF规范第10.6.3章时，每个文本流的编号（位于\P\MCID下）与可在COSObject中找到的标记属性（PDFBox中的PDStructureElement）之间存在链接

1） 要获取文本和MCID，请执行以下操作：

PDPage pdPage;
Iterator<PDStream> inputStream = pdPage.getContentStreams();
while (inputStream.hasNext()) {
try {
PDFStreamParser parser2 = new PDFStreamParser((PDStream)inputStream.next());
parser2.parse();
List<Object> tokens = parser2.getTokens();
for (int j = 0; j < tokens.size(); j++){
tokenString = (tokenString + tokens.get(j).toString()}
// here comes the parsing of the string. Chapter 5 specifies what each of the operators Tj (actual text), Tm, BDC, BT, ET, EMC mean, MCID

PDPage-PDPage；
迭代器inputStream=pdPage.getContentStreams（）；
while（inputStream.hasNext（））{
试一试{
PDFStreamParser parser2=新的PDFStreamParser（（PDStream）inputStream.next（））；
parser2.parse（）；
List tokens=parser2.getTokens（）；
对于（int j=0；j

然后获取与MCID匹配的标记及其属性：

PDStructureElement PDStructureElement；
pDStructureElement.getCOSObject（）.getInt（COSName.K）

应该可以。在没有标记的文档中（document.getDocumentCatalog（）.getStructureTreeRoot（）没有子项），无法执行此匹配，但仍可以使用步骤1读取文本。

您需要1）获取PDFDebugger，以便查看结构和内容流2）阅读PDF规范。若要获得特定帮助（不是我，这仍然是未探索的领域之一），请链接到您的PDF。

PDPage pdPage;
Iterator<PDStream> inputStream = pdPage.getContentStreams();
while (inputStream.hasNext()) {
try {
PDFStreamParser parser2 = new PDFStreamParser((PDStream)inputStream.next());
parser2.parse();
List<Object> tokens = parser2.getTokens();
for (int j = 0; j < tokens.size(); j++){
tokenString = (tokenString + tokens.get(j).toString()}
// here comes the parsing of the string. Chapter 5 specifies what each of the operators Tj (actual text), Tm, BDC, BT, ET, EMC mean, MCID