使用 Apache PdfBox 提取两个书签之间的文本答案

【问题标题】：Extracting text between two bookmarks using Apache PdfBox使用 Apache PdfBox 提取两个书签之间的文本
【发布时间】：2012-03-23 16:24:23
【问题描述】：

我正在使用 Apache PDFBox 读取具有由书签定义的层次结构的 PDF 文档。层次结构是树形的，内容仅在叶级。

使用以下代码提取两个叶级书签之间的文本：

Stripper.setStartBookmark(), 
Stripper.setEndBookmark(),
Stripper.writeText()),

改为返回整个页面中的文本。总之，我的问题和this thread中提到的类似。

有没有办法提取两个书签之间的内容？

如果是这样，我的代码应该有什么变化？

【问题讨论】：

【解决方案1】：

我猜您的书签包含的数据不正确。

听起来您使用的书签只是指向您的内容开始的页面，而不是页面上的位置。

以下是包含位置数据的书签示例：

<Title Action="GoTo" Style="bold" Page="2 FitH 518">
Title Name
</Title>

【讨论】：

在 PDFBox 中，书签被解析为 PDPageXYZDestination，这是来自书签的特定 GoTo 操作的结果。因此，它们确实指向页面中的绝对位置，这在我的 PDF 查看器中得到了验证，单击书签会直接滚动到部分。