我正在对 pdf 电子书进行主题建模,需要逐段提取文本。为此,我使用 apache pdfBox,它可以有效地从 pdf 中提取文本。
PDFParser parser;
PDFTextStripper pdfStrip = null;
parsedText = pdfStrip.getText(pdDoc);
但我不能单独提取段落。此工具提供了一种设置段落开始/结束标识符的方法,但我需要知道为此的段落分隔符标识符。
有没有办法做到这一点,或者是否有其他可用的工具可以有效地进行段落提取?