java如何从PDF文件中提取页码

Question

我们探索了很多API，比如tika、Pdfbox和itextpdf，从pdf文件中提取页码，但我们没有做到这一点。在itextpdf中，我们得到了PdfPageLabels。getPageLabels（reader），但此方法的行为并不一致

Answer 1

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！”您会说，“当我在Adobe Reader中打开PDF时，我可以清楚地看到文档中的页码！”

是的，你可以用你的眼睛和你的人类智能看到页码，但对机器来说，页码只是画布上的一些文本。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，软件不能给你一个人看到的页码。一台机器不知道去哪里找

如果你对PDF有所了解，我可以预测你的下一个回复

“等等！”你说，“带标签的PDF呢？带标签的PDF不意味着文档的语义与表示一起存储吗？”

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，。。。但标记的PDF用于定义真实内容的结构。然而，页码并不是真实内容的一部分。它们被标记为工件，以及页面上不被视为真实内容的页眉、页脚和其他项目。没有办法区分页码

“那么这些页面标签是关于什么的？”<你问吧

嗯，页面标签是可选的。它们存在于一些构思良好的PDF中，但在野外发现的绝大多数PDF中都不存在

这是一个很长的答案。简短的回答很简单：你要求的是一些不可能的东西（一般来说，不仅仅是iText、Tika、PdfBox或任何其他你可能尝试的工具）