如何使用 Apache Tika 获取 PDF 中元素的样式信息？

Question

我正在使用 Apache Tika 从 PDF 文件中提取文本。我想知道如何使用 Apache Tika 获取样式信息，例如字体大小、文本颜色、特定文本（几个单词）是否为斜体、粗体等？

是否有可能获得此类信息？

我还想知道是否可以使用 Apache Tika 获取表信息？表格开始、第一行开始、第一个单元格等信息。

Answer 1

使用其他 api（例如PDFTextStream ）可能更方便。Tika 从 pdf 中提取原始文本信息，而PDFTextStream为您提供带有相关信息的结构化文本，例如字符编码、高度、文本区域等。