如何從PDF文件中提取頁碼

Question

我們探討了很多API，如tika，Pdfbox和itextpdf，以從pdf文件中提取頁碼，但我們無法做到這一點。在itextpdf中，我們得到了PdfPageLabels.getPageLabels（reader），但是這種方法的行爲並不統一。

Answer 1

您找不到任何能夠從PDF中提取頁碼的軟件的原因很簡單：PDF中不存在頁碼的概念。

允許我預測你的迴應。

*「等一下！」你說，「當我用Adobe Reader打開PDF時，我可以清楚地看到文檔中的頁碼！」

嗯，是的，你可以看到你的眼睛，你的人情報，頁碼，但是到了機這個數字只是一個畫布上繪製一些文字。消耗文檔的機器不知道頁面上的所有字形和線條以及形狀。因此，軟件無法爲您提供您作爲人類看到的頁碼。一臺機器不知道去哪裏看！

如果您對PDF有所瞭解，我可以預測您的下一個回覆。

「等一下！」你說，「標籤PDF怎麼樣？不標記PDF意味着文檔的語義與表示一起存儲？」

嗯，是的，當一個PDF被標記了一段文本知道它是一個標題，或一個段落，或一個列表的一部分，......但標記PDF是用來定義真實內容的結構。然而，頁碼不是真實內容的一部分。它們被標記爲文物以及頁面上的頁眉，頁腳和其他項目，這些內容不被視爲真實內容。沒有辦法區分頁碼。

「那麼這些頁面標籤是關於什麼的？」你問。

那麼，頁面標籤是可選。它們出現在一些構思良好的PDF文件中，但它們在大部分PDF中都不存在，您可以在野外找到它們。

這是漫長的答案。簡短的回答很簡單：你正在尋求一些不可能的東西（一般來說，不僅僅是iText，Tika，PdfBox或者你可能試過的任何其他工具）。