如何使用iText提取PDF文档中的各级标题？

嘿，我来给你梳理几个用iText提取PDF层级标题的可行思路，结合你现有的代码展开说说：

思路一：基于文本格式特征识别标题 #

标题通常有明显的格式特征——比如更大的字号、加粗样式、特定颜色，或者固定的缩进位置。你当前用的SimpleTextExtractionStrategy只能提取纯文本，没法获取格式信息，所以可以换成自定义的文本提取策略，通过TextRenderInfo获取每个文本块的字体、字号、位置等属性，再筛选出符合标题特征的内容，最后根据格式差异区分层级（比如一级标题字号最大，二级次之）。

示例代码（适配iText 5）：

// 自定义策略，检测带格式特征的标题
class HeadingDetectionStrategy extends LocationTextExtractionStrategy {
    @Override
    public void renderText(TextRenderInfo renderInfo) {
        // 获取文本块的字号
        float fontSize = renderInfo.getFontSize();
        // 判断是否为加粗字体（通过字体名称识别，不同字体命名可能有差异）
        boolean isBold = renderInfo.getFont().getFontName().contains("Bold");
        String text = renderInfo.getText().trim();

        // 自定义规则：比如字号>14且加粗，同时文本不为空
        if (fontSize > 14 && isBold && !text.isEmpty()) {
            // 这里可以进一步根据Y轴位置（标题通常在页面上方）或缩进判断层级
            System.out.println("疑似一级标题：" + text);
        } else if (fontSize > 12 && isBold && !text.isEmpty()) {
            System.out.println("疑似二级标题：" + text);
        }
        super.renderText(renderInfo);
    }
}

// 在你的循环中替换为自定义策略
for(int i = 1; i <= pdfReader.getNumberOfPages(); i++){ 
    HeadingDetectionStrategy headingStrategy = new HeadingDetectionStrategy();
    parser.processContent(i, headingStrategy);
}

思路二：利用Tagged PDF的结构树提取（最准确） #

如果你的目标PDF是带标签的PDF（Tagged PDF），文档内部会定义Heading1、Heading2这类结构化元素，直接读取结构树就能精准获取标题和层级，不需要依赖格式猜测。iText提供了遍历结构树的API，能直接定位到标题节点。

示例代码（适配iText 5）：

PdfDocument pdfDoc = new PdfDocument(pdfReader);
PdfStructTreeController structTreeController = new PdfStructTreeController(pdfDoc);
PdfStructElem rootElem = structTreeController.getRoot();

// 递归遍历结构树，提取标题
traverseStructElements(rootElem, 1);

// 递归处理结构元素的方法
private void traverseStructElements(PdfStructElem elem, int level) {
    if (elem == null) return;
    // 获取元素的角色（比如Head1、Head2，不同PDF的命名可能略有不同）
    PdfName role = elem.getRole();
    if (PdfName.Head1.equals(role) || role.toString().startsWith("Head")) {
        // 提取标题文本
        String headingText = PdfTextExtractor.getTextFromElement(elem);
        System.out.println("层级" + level + "标题：" + headingText);
    }
    // 遍历子元素，层级+1
    for (PdfObject kid : elem.getKids()) {
        if (kid instanceof PdfStructElem) {
            traverseStructElements((PdfStructElem) kid, level + 1);
        }
    }
}

注意：这个方法仅适用于带标签的PDF，普通无标签PDF无法使用。

思路三：基于标题编号规则识别 #

如果你的PDF标题都遵循类似1、1.1、1.2.1的编号规则，可以先提取页面纯文本，再用正则表达式匹配符合编号格式的行，通过编号中点的数量判断层级（比如1是1级，1.1是2级，1.2.1是3级）。

示例代码：

for(int i = 1; i <= pdfReader.getNumberOfPages(); i++){ 
    TextExtractionStrategy strategy = parser.processContent(i, new SimpleTextExtractionStrategy()); 
    String pageText = strategy.getResultantText();
    // 按行分割文本（注意有些PDF换行符是\n或\r\n，需根据实际调整）
    String[] lines = pageText.split("\\r?\\n");
    // 匹配编号开头的标题：数字+可选的.数字，后面跟空格和标题文本
    Pattern headingPattern = Pattern.compile("^(\\d+(\\.\\d+)*)\\s+(.+)");
    
    for (String line : lines) {
        String trimmedLine = line.trim();
        Matcher matcher = headingPattern.matcher(trimmedLine);
        if (matcher.find()) {
            String numbering = matcher.group(1);
            String titleContent = matcher.group(3);
            // 计算层级：编号中点的数量+1
            int level = numbering.split("\\.").length;
            System.out.println("层级" + level + "标题：" + titleContent);
        }
    }
}

这个方法的优势是不需要依赖格式，只要编号规范就能识别，但如果标题没有编号或者编号不统一，效果会大打折扣。

内容的提问来源于stack exchange，提问作者Steve