Vb.net 理解PDF DOM

我正在编写一个应用程序，它必须读取和解释存储在一些PDF文件中的数据。阅读部分已经完成，但我只能得到一页上所有单词的转储，而不是单词的格式。我的意思是，如果我必须提取一个表，我得到的是表中的数字，而不是定义表的标记

此外，还使用了一些格式，在括号内显示其中一些数字（表示这些数字为负数），但括号本身不是文本的一部分。因此，我无法区分PDF表格中的正数和负数

如何将PDF标记与文本一起获取？PDF在结构上是否类似于XML，带有用于标记表等的标记。？如果没有，那么，是否有资源描述PDF DOM的显著特性

我使用的是VBA和Acrobat库（AcroExch等）。

没有HTML意义上的“PDF标记”等。PDF格式的表格不能与线条艺术区分开来，只能使用OCR，如果布局复杂，可能容易出错。它只是使用几何形状绘制，就像在基于矢量的图形程序中一样。

没有HTML意义上的“PDF标记”之类的东西。PDF格式的表格不能与线条艺术区分开来，只能使用OCR，如果布局复杂，OCR很容易出错。它只是使用几何图形绘制，就像在基于矢量的图形程序中一样。

“PDF的结构是否类似于带有标记表等的XML？”

不，一点也不。

而且也没有“DOM”这样的东西。谷歌搜索一个名为*PDF32000_2008.pdf*的文件。v1.7（ISO规范）的当前PDF规范就是该文件。您应该能够在Adobe网站上找到它。

“PDF的结构是否类似于XML，带有用于标记表等的标记？”

不，一点也不。

---

而且也没有“DOM”这样的东西。谷歌搜索一个名为*PDF32000_2008.pdf*的文件。v1.7（ISO规范）的当前PDF规范就是该文件。您应该能够在Adobe网站上找到它。

正如omz所说，PDF中的文本实际上没有结构。你可以看看说明书。然而，对于一些非常特定的文件，有一种称为PDF标签或PDF标记内容的东西，这是相当新的，它旨在为PDF文档提供某种结构。如果您专门针对这类文件，您可能会有所成就。查看Adobe规范第10章（文档交换）了解更多详细信息。

正如omz所述，PDF中的文本实际上并没有结构。你可以看看说明书。然而，对于一些非常特定的文件，有一种称为PDF标签或PDF标记内容的东西，这是相当新的，它旨在为PDF文档提供某种结构。如果您专门针对这类文件，您可能会有所成就。查看Adobe规范的第10章（文档交换）了解更多详细信息。

也许通过使用pdflib.com（）中的优秀人员制作的文本提取工具包TET，您可以以更少的努力和更快的速度完成想要实现的目标

---

AFAIR，TET对表检测也有一些（有限的）支持….

也许您想要实现的目标可以通过使用TET来实现，TET是由pdflib.com（）的优秀人员制作的文本提取工具包

---

AFAIR，TET对表检测也有一些（有限的）支持…

PDF实际上没有DOM。这实际上是一个用PostScript编写的程序。因此，大多数格式化工作都是通过函数调用来完成的，函数调用会改变PDF解释器中的状态。我删除了标记XML、HTML和DOM，因为它们与问题无关。@Marc B:嗯，不。。。PDF并不是“真正意义上的程序”。而且它也不是用后记写的。（Ghostscript的PDF解释器大部分是用PostScript编写的……但这与“PDF”本身完全不同）。PDF是一种二进制文件格式。它完全是声明性的。没有循环，没有条件，没有变量。PDF实际上没有DOM。这实际上是一个用PostScript编写的程序。因此，大多数格式化工作都是通过函数调用来完成的，函数调用会改变PDF解释器中的状态。我删除了标记XML、HTML和DOM，因为它们与问题无关。@Marc B:嗯，不。。。PDF并不是“真正意义上的程序”。而且它也不是用后记写的。（Ghostscript的PDF解释器大部分是用PostScript编写的……但这与“PDF”本身完全不同）。PDF是一种二进制文件格式。它完全是声明性的。没有循环，没有条件，没有变量。但是有一个可见的结构！而文本显然与其结构是分离的。我只想知道以某种方式表示特定文本的指令存储在何处/以何种形式，以及如何访问它们。“文本”在PDF中通常是单个字符，由

Tj

操作符在

Td

和

Tm

操作符之后逐个精确地放置在页面上“定位”它。使用的大多数字体都是粗体或斜体，由

Tf

操作员选择+大小。这并不完全正确。PDF文件内容可以“标记”（从1.4版开始）提供有关文档结构的信息。虽然PDF标记是可选的，并且不存在于所有PDF文档中，但它可以为您提供额外的信息，而不仅仅是解释页面流。请参阅，但有一个可见的结构！并且文本与其结构明显分开。我只想知道它们的位置/形式以特定方式表示特定文本的指令存储