Question

文件示例：test

此处在表格第2行中，＆＃34; 3500 RENT＆＃34; PdfTextStripper返回了2个文本标记（＆＃34; 1＆＃34;，＆＃34; 1＆＃34;），但实际上在原始PDF中不可见。我知道它可能是剪辑路径（如帖子here中）或颜色问题（如帖子here）。

然而，在这种情况下，它看起来像是通过其他方式隐藏了......剪辑路径不重叠，并且这些标记的颜色是黑色的。

还有什么呢？

Answer 1

这是一个颜色问题，＆＃39; 1以白色打印。

使情况有点特别的是，使用的 ColorSpace 不是您现成的 DeviceRGB 或 DeviceGray ，而是分色色彩空间和分色色彩空间中的色彩值始终被视为减色。因此，0.0的色调值表示用给定的着色剂可以实现的最浅的颜色，1.0是最暗的。此约定与 DeviceCMYK 颜色组件相同，但与 DeviceGray 和 DeviceRGB 相反。

（参见ISO 32000-1第8.6.6.4节＆＃34;分隔色彩空间＆＃34;）

内部视图

您的内容流开头如下：

/Cs8 cs 1 scn

Cs8 是分离色彩空间：

/Cs8 [/Separation /Black [/ICCBased 17 0 R] 18 0 R]

ICCBased 备用空间，其中<strong> DeviceRGB 为备用空间

17 0 obj
<<
/Length 2597
/Alternate /DeviceRGB
/Filter /FlateDecode
/N 3
>>
stream
[...ICC profile...]
endstream
endobj

并通过样本将色调转换为备用色彩空间

18 0 obj
<<
/Length 779
/BitsPerSample 8
/Decode [0 1 0 1 0 1]
/Domain [0 1]
/Encode [0 254]
/Filter /FlateDecode
/FunctionType 0
/Range [0 1 0 1 0 1]
/Size [255]
>>
stream
[...255 samples from (255,255,255) to (35,31,32)...]
endstream
endobj

您的内容流继续绘制标题和第一行开头的操作，然后

/TT2 1 Tf
0 scn
13.559 0 TD
6.8438 Tc
<00140014>Tj
1 scn

0 scn将颜色设置为最亮的 Cs8 BLACK分色，在屏幕上将样本映射到（255,255,255）非常白，6.8438 Tc设置为大字符间距（导致两个＆＃39; 1之间的差距），<00140014>Tj将两个＆1;＆＃39;和1 scn切换回最暗的 Cs8 BLLC分色在屏幕上按样本映射到（35,31,32），这将是一种非常深的浅灰色。

使用PDFBox

在评论中你说

当我在processTextPosition(TextPosition text)中对其进行调试时，gs.getNonStrokingColor()对于那些＆＃34; 1＆＃34;具有相同的值。代币和其他代币一样，实际上是黑色的

要使用PDFBox识别这一点，您必须告诉其PDFTextStripper寻找通用颜色空间选择和颜色选择运算符 cs 和 scn 并扩展processTextPosition就像这个概念验证一样：

PDFTextStripper stripper = new PDFTextStripper() {
    @Override
    protected void processTextPosition(TextPosition text) {
        PDGraphicsState gs = getGraphicsState();
        PDColor color = gs.getNonStrokingColor();
        float[] currentComponents = color.getComponents();
        if (!Arrays.equals(components, currentComponents)) {
            System.out.print(Arrays.toString(currentComponents));
            components = currentComponents;
        }
        System.out.print(text.getUnicode());
        super.processTextPosition(text);
    }

    float[] components;
};

stripper.addOperator(new SetNonStrokingColorSpace());
stripper.addOperator(new SetNonStrokingColorN());

（ExtractText test testTestSeparation）

有了这些设置，你就得到了

[1.0]TenantLeaseStart ... 3,500.00RENT[0.0]11[1.0]16,133.33

如您所见，颜色组件以1.0开头，对于两个＆＃39;它是0.0，此后它再次变为1.0，直到下一个看不见的＆＃39; 1。

PDFBox：来自PdfTextStripper的不可见文本（不是剪辑路径或颜色问题）

1 个答案:

内部视图

使用PDFBox