解析PDF在不同页面中两次获得相同的文本

Question

我有一个包含2页的PDF文件。当我用解析器解析它时，在Ojective-C中，我有以下情况。

对于第一页，一切都很好，我有我应该拥有的文本（我在pdf阅读器中直观地看到，如预览，Adobe阅读器......）。对于第二页，我有第二页中看到的文本，加上第一页的文本的一部分，而不是第二页。

我尝试了其他解析器：pdftotext（xpdf），他们设法得到了正确的结果。 Pdfminer（在python中）https://pypi.python.org/pypi/pdfminer/，我得到了与我相同的结果。第一页中的部分文本被提取两次。

我的问题是：这怎么可能发生？你见过这种情况吗？如果文本确实出现在第二页中，为什么pdf读者不显示它？你有什么想法吗？

Answer 1

我通过Acrobat（使用“检查文档”）运行了您的文件，它告诉我其中有一些隐藏文本。看看下面的截图：

屏幕截图中的红色文字标记隐藏的内容。正如mkl所指出的那样，它出现在MediaBox外面，这使得在PDF查看器中查看文档时它不可见。这并不意味着文本就在那里。如果您查看内容流（解析器所做的内容），您仍然可以找到它。

您的解析器应该丢弃MediaBox之外的所有内容。通常可以选择这样做。我知道iText中有一个;我不知道其他解析器。