Java 使用PDFBox从PDF中的内容树和标记树中提取信息

我有一个从word创建的PDF，其中包含了大量关于内容树和标签树中的结构的信息，可以在AdobeAcrobat中看到（参见下面的图片）

在你建议之前，不，我没有访问原始word文档的权限，所以我不得不处理PDF解析

我在JavaPDFBox上取得了一些进展，它允许我在每个页面上定位注释并提取信息（注释是内容树的一部分）。 在PDPage原始文档中，我发现了两种似乎很有前途的方法，例如getContents（）和getCOSDictionary（）。现在，据我所知，处理COSObjects是痛苦的，而且不健壮，getContents产生的字节和InputStream很难处理

是否有人能够以一种干净、简单的方式从上述表格中获取信息？如果使用了不同的软件包/语言，这也适用：）

包acs.pdf2isosts.TestPDFBox；
导入java.io.BufferedReader；
导入java.io.File；
导入java.io.IOException；
导入java.io.InputStream；
导入java.io.InputStreamReader；
导入java.util.Iterator；
导入java.util.List；
导入org.apache.pdfbox.pdmodel.PDDocument；
导入org.apache.pdfbox.pdmodel.PDPage；
导入org.apache.pdfbox.pdmodel.common.PDStream；
导入org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotation；
导入org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotationLink；
公共类ReadPdf{
公共静态void main（字符串[]args）引发IOException{
PDDocument document=PDDocument.load（新文件(
“/sample.pdf”）；
document.getClass（）；
如果（！document.isEncrypted（））{
迭代器it=document.getPages（）.Iterator（）；
while（it.hasNext（））{
PDPage pg=it.next（）；
//System.out.println（pg.toString（））；
列表注释=pg.getAnnotations（）；
用于（PDA注释：注释）
{
if（PDAnnotationLink的注释实例）
{
PDAnnotationLink annotationLink=（PDAnnotationLink）注释；
System.out.println（annotationLink.getAction（）.getCOSObject（））；
}
BufferedReader BufferedReader=新的BufferedReader（新的InputStreamReader（pg.getContents（））；
弦线；
而（（line=bufferedReader.readLine（））！=null）
{ 
System.out.println（line.getClass（））；
System.out.printf（“%s\n”，第行）；
}
}
}
document.close（）；
}
}
}

不清楚您需要什么。。。您已经有了注释。如果要浏览结构树，请从

doc.getDocumentCatalog（）.getStructureTreeRoot（）

开始。层次结构在K元素中。谢谢，这是我一直在寻找的一部分，我现在可以访问我一直在寻找的标记树（我一直在PDPage中寻找，但正如您所指出的，它挂在文档目录中）。现在，我丢失了一些与注释位于同一位置的信息，这些信息不在StructureTree中，StructureTree是AdobeAcrobat的内容树（即每个页面的图像和文本），请在“显示内部结构”视图中查看PDFDebugger。这也有助于理解您将找到的数组/字典。考虑你自己回答这个问题，我的答案是一条直线。

package acs.pdf2isosts.TestPDFBox;

import java.io.BufferedReader;
import java.io.File;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.util.Iterator;
import java.util.List;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.common.PDStream;
import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotation;

import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotationLink;

public class ReadPdf  {
    public static void main( String[] args ) throws IOException{

        PDDocument document = PDDocument.load(new File(
                "/sample.pdf")); 
        document.getClass();

        if (!document.isEncrypted()) {

            Iterator<PDPage> it = document.getPages().iterator();
            while (it.hasNext()) {
                PDPage pg = it.next();
                //System.out.println(pg.toString());
                List<PDAnnotation> annotations = pg.getAnnotations();
                for (PDAnnotation annotation : annotations)
                {
                    if (annotation instanceof PDAnnotationLink)
                    {
                        PDAnnotationLink annotationLink = (PDAnnotationLink)annotation;
                        System.out.println(annotationLink.getAction().getCOSObject());
                    }
                BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(pg.getContents()));
                String line;
                while( (line = bufferedReader.readLine()) != null )
                { 
                    System.out.println(line.getClass());
                    System.out.printf("%s\n", line);
                }


            }

        }

        document.close();


    }
        }
}