我们探索了很多 API，如 tika、Pdfbox 和 itextpdf 来从 pdf 文件中提取页码，但我们无法做到这一点。在 itextpdf 中，我们得到了 PdfPageLabels.getPageLabels(reader) 但此方法的行为并不统一。
问问题
1880 次
1 回答
3
您找不到任何能够从 PDF 中提取页码的软件的原因很简单：PDF 中不存在页码的概念。
请允许我预测你的反应。
*“等一下！” 你说，“当我在 Adobe Reader 中打开 PDF 时，我可以清楚地看到文档中的页码！”
嗯，是的，你可以用你的眼睛和人类的智慧看到那个页码，但对于一台机器来说，这个数字只是画在画布上的一些文本。使用文档的机器不知道页面上的所有字形、线条和形状是关于什么的。因此，软件无法为您提供您作为人类看到的页码。机器不知道去哪里找！
如果您对 PDF 有所了解，我可以预测您的下一个回复。
“等一下！” 你说，“Tagged PDF 怎么样？Tagged PDF 不意味着文档的语义与表示一起存储吗？”
嗯，是的，当一个 PDF 被标记时，一段文本知道它是标题、段落或列表的一部分，......但是标记的 PDF 是用来定义真实内容的结构的。然而，页码并不是真实内容的一部分。它们与页眉、页脚和页面上其他不被视为真实内容的项目一起被标记为工件。没有办法区分页码。
“那么这些页面标签是关于什么的？” 你问。
好吧，页面标签是可选的。它们存在于一些精心构思的 PDF 中，但它们将不存在于您在野外找到的大多数 PDF 中。
这是很长的答案。简短的回答很简单：您要求的是不可能的事情（通常，不仅是 iText、Tika、PdfBox 或您可能尝试的任何其他工具）。
于 2014-10-31T11:36:05.907 回答