我目前使用的PDF盒解析PDF文件，我试图找出如何检索有关文本数据，如字体（粗体，大小等），字体的位置。
有什么建议么？
周围的（很难找到）PDFBox的文档戳后，我发现this little gem。
很明显的一个例子正好说明了如何做你问的一切。基本上，你继承qazxswpoi并覆盖PdfTextStripper方法。在那里，你查询你需要的任何信息processTextPosition。
对于未来的参考，你可以在这里找到的Javadoc：TextPosition
编辑2018年4月2日：原始链接是死的，但例如可以在http://pdfbox.apache.org/apidocs/index.html找到。
其中一个文本提取从PDF文件的最好的事情是SVN repo here。 TET是PDFlib.com系列产品的一部分。
PDFlib.com是托马斯·梅尔茨的公司（下称“PostScript和PDF圣经”的作者）。
TET的第一个化身就是TET, the text extraction toolkit。这大概一个可以做你想要的一切，包括约页面上的每个文本元素的位置信息。哦，它也可以提取图像。它重组+合并被细分成图像。
pdflib.com也提供这项技术，a library的另一个化身。显然，你需要Acrobat以及充分利用这一点。
而第三化身是TET plugin for Acrobat。这对于用户工作站的独立工具。无论这是免费的（如啤酒）用于私人，非商业目的。
最后，TET还附带了一个命令行界面。
TET真的很强大。路比Adobe自己的文本提取更好。它提取的文本，我有其他工具（包括Adobe的）只做吐出垃圾。
几个月前，我测试了他们的桌面独立的工具，他们说他们的网页什么是真实。它有一个很好的命令行。我的一些“问题”的PDF测试文件处理，我完全满意的工具。
这件事是我对每一个复杂和具有挑战性的PDF文本提取需求的建议。
TET是根本真棒。它可以检测表。里面的表，它识别跨多个列的单元格。它单独地识别表中的行和每个表格单元的内容。它处理得很好，连字：它删除连字符和恢复完整的单词。它支持非ASCII语言（包括CJK，阿拉伯语和希伯来语）。当遇到连字，它恢复原来的人物...
试试看。
在PDFlib TET iFilter提取选项3或4所述GetPageText函数返回一个CSV串所选页，其中包括文本（单个单词或一段文本）和相关的字体名称，文本颜色，文本大小和坐标上的页。
注：这是一个商业库，我为销售其公司工作。
PDF文件可以使用塔布拉-PY，或塔布拉的Java解析。
我对如何在Quick PDF Library使用塔布拉-PY一个完整的教程。您可以在Web浏览器太，只要你已经安装了Java塔布拉。