Libreria PDFBOX

[viringas]

Hola a todos.

estoy usando la libreria pdfbox para extraer texto de unos documentos pdf, tengo 2 tipos de documentos: 1 con texto normal para el cual saco el texto a la perfecion. y otro que contiene 3 tipos de texto (titulo, subtitulo y texto). el tema es que tengo que extraer esa informacion y dividir el texto de tal manera que me queden por un lado los titulos, por otro lado los subtitulos y por otro el texto. los titulos y subtitulos lo unico que los diferencia del texto es que estan en negrita y cursiva, pero el problema es que no puedo diferenciar cual es un titulo y cual un subtitulo ya que pdfbox me extrae el texto sin estilo (es decir sin negrita y cursiva)

no se si alguien alguna vez ha hecho algo parecido o sabe algo mas que yo de la libreria pdfbox, porque estuve ojeando la API y no veo un metodo o algo que me indique como puedo obtener estos estilos.

por si es de ayuda, la forma que uso para extraer el texto es la siguiente:

Código Java:

public String ExtraerTexto() throws IOException{
        
        String texto = "";
          try 
          {
            doc = PDDocument.load (file_name);   
            PDFTextStripper stripper = new PDFTextStripper();
            stripper.setStartPage(1);
            stripper.setEndPage(3);
            //stripper.setEndPage(Integer.MAX_VALUE);
            
           
            stripper.writeText(doc, sw);
          }
          finally
          {
            if (doc != null) doc.close();
          }
        
          StringBuffer sbuf = new StringBuffer();
          sbuf.append(sw.toString() );
        
          int i = sbuf.length() - 1;
          while (i > 0)
          {
            if (sbuf.charAt(i) == '\r' || sbuf.charAt(i) == '\n')
        {
          if (sbuf.charAt(i-1) == '-')
          {
            sbuf.deleteCharAt(i--);  
            sbuf.deleteCharAt(i);    
              }
            }
            i--;
          }
          //System.out.println(sbuf);
          
          texto = sbuf.toString();
         
          return texto;
    }
 

es metodo me devuelve todo el texto separado por lineas tal cual esta en el archivo pdf. lo ideal seria que hubiese un bit o una bandera que indicase que caracteres estan en negrita o cursiva o algo pero vamos que cualquier idea para poder obtener dichos estilos me vale bien


gracias