java 识别pdf 标题

Java 识别 PDF 标题有多种方法，以下是其中一种基于 Apache PDFBox 的实现：

import java.io.File;
import java.io.IOException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.common.PDPageLabelRange;
import org.apache.pdfbox.pdmodel.interactive.documentnavigation.destination.PDPageDestination;
import org.apache.pdfbox.pdmodel.interactive.documentnavigation.destination.PDPageFitWidthDestination;
import org.apache.pdfbox.pdmodel.interactive.documentnavigation.outline.PDOutlineItem;

public class PdfTitleRecognizer {
    public static void main(String[] args) throws IOException {
        PDDocument document = PDDocument.load(new File("example.pdf"));
        PDOutlineItem root = document.getDocumentCatalog().getDocumentOutline();
        if (root != null) {
            printOutline(root, "");
        }
        document.close();
    }

    private static void printOutline(PDOutlineItem item, String indent) throws IOException {
        System.out.println(indent + item.getTitle());
        PDPageDestination destination = item.getDestination();
        if (destination instanceof PDPageFitWidthDestination) {
            int pageNum = ((PDPageFitWidthDestination) destination).getPageNumber();
            System.out.println(indent + "  Page: " + pageNum);
        } else if (destination != null) {
            PDPageLabelRange labelRange = destination.getPageLabelRange();
            if (labelRange != null) {
                System.out.println(indent + "  Pages: " + labelRange);
            }
        }
        for (PDOutlineItem child : item.getChildren()) {
            printOutline(child, indent + "  ");
        }
    }
}

这段代码首先加载 PDF 文档，然后获取文档的大纲根节点。如果存在大纲，就遍历大纲并递归打印每个节点的标题和页码范围。注意，PDF 文件中的“页码”可能不是连续的数字，而是由页码标签定义的范围。最后，记得关闭文档以释放资源。

如果 PDF 文件没有大纲，也可以通过解析文本内容来识别标题。可以使用 Apache PDFBox 提供的 `PDFTextStripper` 类从 PDF 中提取文本，然后根据文本格式和布局规则来识别标题。例如，可以检测文本字号、加粗字体、居中对齐等特征，并将它们与正则表达式匹配来确定标题。