使用PDFBox从PDF获取文本行的边界框

Question

有没有办法使用PDFBox获取文本行的边界框？

Answer 1

如果要计算生成文本行（或任何其他内容流）的内容流的边界框，则必须处理内容流并跟踪正在绘制的区域的边界。您不必实际绘制页面。

为了做到这一点，你应该扩展PDFStreamEngine并覆盖构造路径的所有方法（包括剪切路径），填充和/或描边路径，并显示字形。请注意，PDFBox 2.0.0提供了新的子类org.apache.pdfbox.contentstream.PDFGraphicsStreamEngine，它可以让您更轻松地完成任务，但您也应该能够使用1.8.x实现这一点 - 只需要花费更少的精力。有关org.apache.pdfbox.rendering.PageDrawer的示例实现，请参阅org.apache.pdfbox.examples.rendering.CustomGraphicsStreamEngine和PDFStreamEngine。

还要注意文本渲染模式3，其中文本操作符既不描边也不填充字形（不可见文本）。它取决于您，您是否将此模式中显示的文本视为绘画。对于具有透明色的填充或笔划操作也是如此。

Answer 2

对于所有其他在寻找简单解决方案的人： 扩展org.apache.pdfbox.text.PDFTextStripper并覆盖其成员函数writeString(String, List<TextPosition>)。

Answer 3

您可以创建扩展CustomPDFTextStripper并覆盖PDFTextStripper的{​​{1}}。在此替代方法中，您需要根据protected void writeString(String text, List<TextPosition> textPositions)计算边界框的坐标。您可以查看我的答案https://stackoverflow.com/a/62966618/2598453，在这里还能找到有效的解决方案，以获取每个单词的边界框。