【发布时间】：2011-08-04 13:59:37
【问题描述】：
我必须将多个 PDF 文档合并为一个 PDF 文档。除此之外，我还必须生成 TOC。原始文档将包含具有特定样式的文本（例如 H1）。此特殊文本成为 TOC 的一部分。
已使用 iText 合并多个 PDF 文件。我无法找到关于解析文档以查找具有样式 H1 的所有内容的示例/API。 生成 TOC 是下一个挑战。
【问题讨论】：
标签： pdf itext tableofcontents
【发布时间】：2011-08-04 13:59:37
【问题描述】：
你没有。 PDF 没有样式。它们具有“当前图形状态”，其中包括：
- 当前变换矩阵 (CTM)。
- 描边和填充颜色
- 剪切路径
- 字体和大小
- 其他文本状态内容（字符间距、字间距、前导、文本呈现模式...）
- 包括一个单独的文本转换矩阵，它与 CTM 相结合。
因此，首先您必须跟踪所有这些内容（iText 主要可以为您完成）。然后你必须确定“H1”文本有多大，并锁定在该尺寸屏幕尺寸中的所有文本，同时考虑 CTM、文本矩阵和字体大小（iText 将再次为你做，IIRC )。
为了让像您这样的人的生活更加精彩，您正在查看的文本完全有可能不是文本。它可能是路径，也可能是位图...此时您需要 OCR，而且我认为您不会通过 OCR 获得太多的尺寸信息。
您需要编写一个TextRenderListener 来确定给定文本的最终大小（以及它是否是最后一段的一部分）并过滤掉所有太小的内容。然后，您将根据找到的文本构建您的 TOC。
【讨论】：
-
感谢马克的回复。是否可以将 PDF 转换为 DOCX，然后解析 DOCX，以获取具有 H1 样式的文本，然后再次生成 PDF。
-
理论上的 DOCX 转换器遇到了同样的问题。存在一些像样的 PDF->X 转换器，但它们往往是相当多的。 Acrobat Pro 可能会处理一些可接受的事情。