如何将 PDF 文件中的文本提取为 YAML（教程）

这篇博客文章将向你展示如何将 PDF 转换为 YAML，通过提取带有结构标签的标记内容来实现。

什么是结构化 PDF？

一些 PDF 文件包含结构化内容，也称为带标签（tagged）或标记内容（marked content），这是一种语义信息，为文件的结构提供了意义。这类似于 HTML，文本被标签包裹，这些标签指示了文本的含义。

什么是 YAML？

YAML 是一种数据序列化格式，与 JSON 类似，因此在系统之间传输内容时非常有用。

与 JSON 和 XML 等其他标记语言相比，YAML 的一个关键区别在于：YAML 使用缩进而不是括号或标签来定义层级结构。

我可以将 PDF 转换为 YAML 吗？

如果一个 PDF 文件包含标记内容（如何判断？），那么你就可以处理这些结构标签并生成 YAML 输出。

我们的 PDF 库 JPedal 支持将带标签的 PDF 转换为 YAML 格式。你可以使用以下代码片段实现这一功能：

ExtractStructuredTextProperties properties = new ExtractStructuredTextProperties();
properties.setFileOutputMode(OutputModes.YAML);

ExtractStructuredText.
writeAllStructuredTextOutlinesToDir("inputFile.pdf", password, "outputFolder", null, null);

下载 Jar 包

如果你对 PDF 有更深入的兴趣，欢迎阅读我们的其他文章——我们已经与这种格式打交道超过十年！

 

我们的主页：PDF 转 HTML5、Java 图像库、Java PDF SDK - IDRsolutions