将PDF转换为XML-XSL-Java？

Question

如何在XSL中将PDF转换为XML并捕获其结构/样式？

Answer 1

我曾经将PDF到XML的转换描述为试图将汉堡包转换为母牛。这是逆向工程中的一项练习。PDF在表示文本方面有很大的不同。在最坏的情况下，您所拥有的只是扫描图像（在这种情况下，您实际上是在进行OCR）。如果幸运的话，您可以收集文本字符串的集合，并在页面上显示它们的坐标，但没有其他结构指示。

如果PDF的格式易于理解，则有一些工具可以做得很好（通常会生成Microsoft Word）。Google“ PDF到Word的转换”。试试看（距离我这样做已经有一段时间了）；不要尝试自己写。当然，从Word到XML相对“简单”。