pdf - Tika - 如何从 PDF 文本中提取文本 : underlined, 突出显示，划掉

Question

我正在使用 Tika* 来解析 PDF 文件。检索文档的文本没有问题，但我不知道如何提取文本:

• 下划线
• 突出显示
• 划掉

Adobe Writer 为您提供了不同的文本编辑选项，但我看不到它们“隐藏”的位置。

是否有解决方案来提取这些元数据信息？ (下划线，突出显示...)

您知道 Tika 是否能够提取这些数据吗？

*http://tika.apache.org/

Answer 1

哇。等待答案需要 4 年的时间，我认为您现在已经找到了解决方案。无论如何，为了那些会访问此链接的人，答案是肯定的。 Apache Tika 不仅可以提取文档中的文本，还可以提取格式(例如粗体、斜体)。这是我的场景:

    //inputStream is the document you wish to parse from.

    AutoDetectParser parser = new AutoDetectParser();
    ContentHandler handler = new BodyContentHandler(new ToXMLContentHandler());
    Metadata metadata = new Metadata();

    parser.parse(inputStream,handler,metadata);
    System.out.println(handler.toString());

print 语句打印文档的 XML。通过一些清理 XML(真正的 HTML 标签)的工作，您将留下诸如 < b >text 用于粗体文本和 < i >text 用于斜体文本的标签。然后你可以找到一种方法来渲染它。祝你好运。