从PDF文件中提取页码

Question

我有一个PDF文档，该文档可能是通过从另一个PDF文档中提取几页而创建的。 我想知道如何获取页码。 因为起始页码是572，所以完整的PDF文档应该是1。

您认为将PDF转换为XMl是否可以解决此问题？

Answer 1

该文档很可能在Document Catalog包含/PageLabels条目。 此项也指定页码和起始编号的编号样式。

您可能必须更新起始号码或完全删除条目。 以下文档包含有关/PageLabels条目的更多信息：

• 为PDF文档指定一致的页码

如果您决定更新条目，文档中的示例2可能会有用。

Answer 2

终于使用iText弄清楚了。 如果没有Bovrosky的提示，这是不可能的。 多亏了他。 发布代码示例：

public void process(PdfReader reader) {
    PRIndirectReference obj = (PRIndirectReference) dict.get(com.itextpdf.text.pdf.PdfName.PAGELABELS);
    System.out.println(obj.getNumber());
    PdfObject ref = reader.getPdfObject(obj.getNumber());
    PdfArray array = (PdfArray)((PdfDictionary) ref).get(com.itextpdf.text.pdf.PdfName.NUMS);
    System.out.println("Start Page: " + resolvePdfIndirectReference(array, reader));
}

private static int resolvePdfIndirectReference(PdfObject obj, PdfReader reader) {
    if (obj instanceof PdfArray) {
        PdfDictionary subDict = null;
        PdfIndirectReference indRef = null;
        ListIterator < PdfObject > itr = ((PdfArray) obj).listIterator();
        while (itr.hasNext()) {
            PdfObject pdfObj = itr.next();
            if (pdfObj instanceof PdfIndirectReference)
                indRef = (PdfIndirectReference) pdfObj;
            if (pdfObj instanceof PdfDictionary) {
                subDict = (PdfDictionary) pdfObj;
                break;
            }
        }
        if (subDict != null) {
            return resolvePdfIndirectReference(subDict, reader);
        } else if (indRef != null)
            return resolvePdfIndirectReference(indRef, reader);
    } else if (obj instanceof PdfIndirectReference) {
        PdfObject ref = reader.getPdfObject(((PdfIndirectReference) obj).getNumber());
        return resolvePdfIndirectReference(ref, reader);
    } else if (obj instanceof PdfDictionary) {
        PdfNumber num = (PdfNumber)((PdfDictionary) obj).get(com.itextpdf.text.pdf.PdfName.ST);
        return num.intValue();
    }
    return 0;
}