PDF标准是否提供了一种存储可提取（语义）文本的方法？
如果PDF已经以结构化的方式包含要提取的数据，则会更好。类似于HTML的条纹化版本。特别是对于表，有大量的信息丢失。例如,当您将Word文档转换为PDF,然后转换为文本时。
PDF标准提供了一种存储表结构的方法吗？如果没有，是否可以扩展PDF标准？这个过程是什么？
共有1个答案
你正在寻找的，最有可能是标记的PDF。
标记PDF在ISO 32000-1第14.8节中有规定。它们将内容部分标记为段落、标题、列表（和列表项）、表（和表行、标题和数据单元格）等，并使用各种属性。
为此，他们使用PDF逻辑结构工具（参见ISO 32000-1，第12.7节），这些工具又使用标记的内容运算符（参见ISO 32000-1，第12.6节）来标记带有ID的内容流片段，这些ID是从内容流外部的结构树对象模型引用的。
在带标记的PDF中，您可以像XML DOM一样遍历结构树，并利用内容中的ID标记检索相关联的文本片段。
详情请参阅PDF规格ISO 32000-1或其更新ISO 32000.2。
Adobe共享了ISO 32000-1的副本（仅替换ISO标头和引用），只需在web上搜索“PDF32000_2008”。目前它位于以下位置:https://www.adobe.com/content/dam/acom/en/devnet/pdf/pdfs/pdf32000_2008.pdf
-
问题内容： 在许多其他语言中，例如。Haskell，很容易多次重复一个值或函数，例如。以获得值的8个副本的列表1： 但是我还没有在Java 8中找到它。Java 8的JDK中是否有这样的功能？ 或等效于范围 似乎可以明显替代Java中的冗长语句 有类似的东西 尽管这个示例实际上看起来并不简洁……但是希望它更具可读性。 问题答案： 对于此特定示例，您可以执行以下操作： 如果需要一个不同于1的步骤，则
-
如果“顺序”由返回节点中的一个或多个节点/属性定义，Saxon是否有方法按排序顺序返回节点？ 换句话说，XPath查询可以是： 谢谢戴夫
-
当创建具有primaryKey的对象时，Realm是否提供了获取/创建主键下一个可用唯一值的方法？（自动递增） null
-
我有一个Git存储库D:\repositories\temp和一个目录D:\temp1，我希望实现这一点：可以检测目录D:\temp1中的所有更改，并将其提交到存储库D:\repositories\temp（本地和远程）。有可能吗？多谢了。 注意：这里我需要的特性可能与SVN的外部链接类似。
-
我的问题是： 如何从按列划分的PDF文件中提取文本，以获得由该列分隔的结果？ 背景：我从事一个关于文本分析（尤其是科学文本）的项目。这些文本有时以多列布局发布，每列都有单独的页码。要按布局页码对提取的文本进行排序，按列提取文本会很有用。 我使用pdfBox并尝试/搜索了以下内容： 我尝试了类的getThreadBeads（）方法- 问题是pdfBox似乎会自动将文本按列划分：如果我将PDFText
-
目前，我正在使用itextsharp工具（在VB.net中）提取PDF的文本。我希望独立于其他工具/库，因为我无法在我的程序中将它们提供给其他人。 在任何编程语言中是否有一种解决方案（无dll等）可以快速提取PDF的文本？