如何转换PDF为TXT并实现去除题号、提取高亮答案功能？

一、提取PDF中的高亮内容 #

要提取高亮标注内容，不能仅将PDF转成纯文本，需要直接操作PDF的注释结构。推荐使用Apache PDFBox这个Java库，它能直接解析PDF的注释与文本内容。

步骤与代码示例 #

1. 添加Maven依赖（Maven项目）：

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.32</version> <!-- 使用最新稳定版即可 -->
</dependency>

2. 编写代码提取高亮内容：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.common.PDRectangle;
import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotation;
import org.apache.pdfbox.pdmodel.interactive.annotation.PDAnnotationHighlight;
import org.apache.pdfbox.text.PDFTextStripperByArea;

import java.io.File;
import java.util.List;

public class PdfHighlightExtractor {
    public static void main(String[] args) throws Exception {
        try (PDDocument document = PDDocument.load(new File("your-file.pdf"))) {
            PDFTextStripperByArea stripper = new PDFTextStripperByArea();
            stripper.setSortByPosition(true);

            for (PDPage page : document.getPages()) {
                List<PDAnnotation> annotations = page.getAnnotations();
                for (PDAnnotation annotation : annotations) {
                    // 判断是否为高亮注释
                    if (annotation instanceof PDAnnotationHighlight) {
                        PDAnnotationHighlight highlight = (PDAnnotationHighlight) annotation;
                        // 获取高亮区域的矩形范围
                        List<PDRectangle> rects = highlight.getQuadPointsAsRectangles();
                        for (PDRectangle rect : rects) {
                            stripper.addRegion("highlight", rect);
                            stripper.extractRegions(page);
                            // 输出提取到的高亮文本
                            String highlightedText = stripper.getTextForRegion("highlight").trim();
                            System.out.println("高亮答案：" + highlightedText);
                        }
                    }
                }
            }
        }
    }
}

二、移除题目中的题号 #

提取题目文本后，用正则表达式匹配开头的数字. 格式，直接替换为空即可：

// originalQuestion为从PDF中提取的带题号的题目文本
String originalQuestion = "1. What is a Java?";
// 正则匹配开头的数字+点+空格，替换为空字符串
String cleanedQuestion = originalQuestion.replaceAll("^\\d+\\.\\s+", "");
// 输出结果：What is a Java?
System.out.println(cleanedQuestion);

三、完整流程整合 #

1. 用PDFBox遍历PDF页面，提取每个题目的文本内容并即时去除题号。
2. 同步提取页面内所有高亮注释文本，通过位置或顺序关联到对应题目。
3. 最后将清理后的题目与匹配的高亮答案整理输出即可。

内容的提问来源于stack exchange，提问作者Yusif Zehmeti