提取带标签的 PDF 中的阅读顺序序列

Question

我目前正在验证带标签的 PDF 文件中内容的正确顺序。有没有办法以编程方式提取带标签的 PDF 文件的阅读顺序号？我尝试将带标签的 PDF 转换为 XML，但我无法弄清楚哪些标签属于特定文本。我尝试过以下库：同步融合文本7但我找不到任何获取其阅读顺序号的方法。真的可能吗？提前致谢！

Answer 1

您可以使用PdfPig (.NET) 库提取标记 pdf 的标记内容树。我的理解是阅读顺序是由标记内容标识符（MCID）指示的。

如果标记的内容元素不包含 MCID（如分页元素），则 MCID 将设置为 -1。

每个MarkedContentElement都包含属于它的字母、图像和路径：

      using UglyToad.PdfPig;

        [...]

        using (PdfDocument document = PdfDocument.Open(pathToFile))

        {

            for (int p = 0; p < document.NumberOfPages; p++)

            {

                var page = document.GetPage(p + 1);

                // extract the page's marked content

                var markedContents = page.GetMarkedContents(); 

                var orderedMarkedContents = markedContents

                       .OrderBy(mc => mc.MarkedContentIdentifier);

                foreach (var mc in orderedMarkedContents)

                {

                    // do something

                }

            }

        }

如果你想将结果提取到 XML，你可以看看这个PageXmlTextExporter类。请查看wikiITextExporter以获取有关和的更多信息IReadingOrderDetector。

注意：我是这个库的积极贡献者。