在 pdf 中标记内容

Question

我有一个如下所示的 pdf。我想将该段落标记为“段落”。我已经对此进行了很多搜索，并且有一些方法可以从头开始创建带标签的 pdf，或者将 html 内容转换为带标签的 pdf，但我在标记现有 pdf 方面没有成功。

给定坐标，我可以在 pdf 中标记内容。在此示例中，我想将段落标记为段落标记。谢谢。

**A sample pdf**

1. Lorem ipsum dolor sit amet, consectetuer adipiscing elit, 
sed diam nonum- my nibh euismod ncidunt ut laoreet dolore magna aliquam erat volutpat. 
Ut wisi enim ad minim veniam, quis nostrud exerci taon ullamcorper 
sus- cipit lobors nisl ut aliquip ex ea commodo consequat. 

Answer 1

PDF 不是所见即所得的格式。
不是因为您看到一个段落，计算机程序才能看到它。

事实上，未标记的 PDF 可能如下所示（伪 PDF 代码）：

前往位置 10, 700
将活动字体设置为 Times New Roman
将字体大小设置为 12
将颜色设置为黑色
绘制字形“H”
转到坐标 10, 680
绘制字形“Lorem”

从示例中可以看出，指令不需要按阅读顺序绘制文本。

因此，您面临的第一个挑战是识别段落。 我曾在 iText 工作，我曾与 Adob​​e 的不同人交谈过。 能够识别未标记的 PDF 文档中的结构并不是一个简单的问题。

一旦你有了这个结构（到“这些字形组成一行”和“这些行组成一个段落”等级别），就可以创建一个StructureTree

但由于这种用例（重新标记 PDF）从未被认为是可能的，因此 iText（或据我所知的任何其他 PDF 库）并不是真正旨在让您（轻松）做到这一点。

标签本身是 PDF 中单独数据结构的一部分。 标签可以有子代（例如表示“本段包含这些行”）。 标签本身将引用属于它的对象（指令组）。

所以你可能拥有：

• 这些指令（用于渲染一行文本）组成一个单词并形成一个对象
• 这些词对象被聚合（通过标签）成一个行对象
• 几个行标签聚合成一个段落对象

为了全面了解，我建议阅读 PDF 规范。