Extraer contenido etiquetado de PDF en Java

Utilice estas APIs cuando necesite inspeccionar el árbol de estructura lógica de un PDF etiquetado y examinar o actualizar los metadatos de los elementos de estructura.

Obtener metadatos de contenido etiquetado

Utilice este ejemplo cuando necesite acceder al contenedor de contenido etiquetado y desee definir metadatos básicos del documento, como el título y el idioma.

1. Cree un nuevo PDF Document.
2. Obtenga el objeto ITaggedContent del documento.
3. Establezca los metadatos del contenido etiquetado y guarde el archivo de salida.

public static void getTaggedContent(Path outputFile) {
    try (Document document = new Document()) {
        ITaggedContent taggedContent = document.getTaggedContent();
        taggedContent.setTitle("Simple Tagged Pdf Document");
        taggedContent.setLanguage("en-US");
        document.save(outputFile.toString());
    }
}

Obtener la estructura raíz de un PDF etiquetado

Este ejemplo muestra cómo inspeccionar los objetos raíz que representan el árbol de estructura de un PDF etiquetado.

1. Cree un nuevo PDF Document y obtenga su contenido etiquetado.
2. Establezca los metadatos de documento requeridos.
3. Lea e imprima la raíz del árbol de estructura y el elemento raíz lógico, luego guarde el archivo.

public static void getRootStructure(Path outputFile) {
    try (Document document = new Document()) {
        ITaggedContent taggedContent = document.getTaggedContent();
        taggedContent.setTitle("Tagged Pdf Document");
        taggedContent.setLanguage("en-US");

        System.out.println("StructTreeRootElement: " + taggedContent.getStructTreeRootElement());
        System.out.println("RootElement: " + taggedContent.getRootElement());

        document.save(outputFile.toString());
    }
}

Acceder y actualizar los elementos hijos de la estructura

Utilice este ejemplo cuando necesite iterar a través de los elementos hijos en el árbol de estructura, inspeccionar sus propiedades y actualizar los metadatos seleccionados.

1. Abra el PDF etiquetado de origen Document.
2. Lea los elementos hijos desde la raíz del árbol de estructura y muestre las propiedades disponibles.
3. Acceda a los elementos secundarios del primer hijo raíz, actualice sus metadatos y guarde el documento.

public static void accessChildElements(Path inputFile, Path outputFile) {
    try (Document document = new Document(inputFile.toString())) {
        ITaggedContent taggedContent = document.getTaggedContent();

        ElementList elementList = taggedContent.getStructTreeRootElement().getChildElements();
        for (Object element : elementList) {
            if (element instanceof StructureElement structureElement) {
                System.out.println("StructureElement properties - "
                        + "title: " + structureElement.getTitle()
                        + ", language: " + structureElement.getLanguage()
                        + ", actual_text: " + structureElement.getActualText()
                        + ", expansion_text: " + structureElement.getExpansionText()
                        + ", alternative_text: " + structureElement.getAlternativeText());
            }
        }

        Element firstChild = taggedContent.getRootElement().getChildElements().get_Item(1);
        for (Object element : firstChild.getChildElements()) {
            if (element instanceof StructureElement structureElement) {
                structureElement.setTitle("title");
                structureElement.setLanguage("fr-FR");
                structureElement.setActualText("actual text");
                structureElement.setExpansionText("exp");
                structureElement.setAlternativeText("alt");
            }
        }

        document.save(outputFile.toString());
    }
}