Question

我正在使用大型文档，但我已经解压缩了here页面。我回到表中的行的y坐标似乎超出了文本的坐标。似乎正在发生一些转变，但我找不到它。如果可能的话，我想在下面扩展的PDFGraphicsStreamEngine范围内解决问题，而不必回到PDFBox中可用的其他输入流的绘图板。

我已经扩展PDFTextStripper以获取页面上每个文字字形的位置：

public class MyPDFTextStripper extends PDFTextStripper {

    private List<TextPosition> tps;

    public MyPDFTextStripper() throws IOException {
        tps = new ArrayList<>();
    }

    @Override
    protected void writeString
            (String text,
             List<TextPosition> textPositions)
            throws IOException {
        tps.addAll(textPositions);
    }

    List<TextPosition> getTps() {
        return tps;
    }
}

我已将PDFGraphicsStreamEngine扩展为以Line2D提取网页上的每一行：

public class LineCatcher extends PDFGraphicsStreamEngine
{
    private final GeneralPath linePath = new GeneralPath();
    private List<Line2D> lines;

    LineCatcher(PDPage page)
    {
        super(page);
        lines = new ArrayList<>();
    }

    List<Line2D> getLines() {
        return lines;
    }

    @Override
    public void strokePath() throws IOException
    {
        Rectangle2D rect = linePath.getBounds2D();
        Line2D line = new Line2D.Double(rect.getX(), rect.getY(),
                rect.getX() + rect.getWidth(),
                rect.getY() + rect.getHeight());
        lines.add(line);
        linePath.reset();
    }

    @Override
    public void moveTo(float x, float y) throws IOException
    {linePath.moveTo(x, y);}
    @Override
    public void lineTo(float x, float y) throws IOException
    {linePath.lineTo(x, y);}
    @Override
    public Point2D getCurrentPoint() throws IOException
    {return linePath.getCurrentPoint();}

    //all other overridden methods can be left empty for the purposes of this problem.
}

我写了一个简单的程序来演示这个问题：

public class PageAnalysis {
    public static void main(String[] args) {
        try (PDDocument doc = PDDocument.load(new File("onePage.pdf"))) {
            PDPage page = doc.getPage(0);

            MyPDFTextStripper ts = new MyPDFTextStripper();
            ts.getText(doc);
            List<TextPosition> tps = ts.getTps();

            System.out.println("Y coordinates in text:");
            Set<Integer> ySet = new HashSet<>();
            for (TextPosition tp: tps) {
                ySet.add((int)tp.getY());
            }
            List<Integer> yList = new ArrayList<>(ySet);
            Collections.sort(yList);
            for (int y: yList){
                System.out.print(y + "\t");
            }
            System.out.println();


            System.out.println("Y coordinates in lines:");
            LineCatcher lineCatcher = new LineCatcher(page);
            lineCatcher.processPage(page);
            List<Line2D> lines = lineCatcher.getLines();
            ySet = new HashSet<>();
            for (Line2D line: lines) {
                ySet.add((int)line.getY2());
            }
            yList = new ArrayList<>(ySet);
            Collections.sort(yList);
            for (int y: yList){
                System.out.print(y + "\t");
            }
            System.out.println();

        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

这个输出是：

Y coordinates in text:
66  79  106 118 141 153 171 189 207 225 243 261 279 297 315 333 351 370 388 406 424 442 460 478 496 514 780 
Y coordinates in lines:
322 340 358 376 394 412 430 448 466 484 502 520 538 556 574 593 611 629 647 665 683 713

文本列表中的最后一个数字对应于底部页码的y坐标。我无法找到线条的y坐标发生了什么，虽然它似乎是那些已被转换的（媒体框在这里与文本相同，并且它适合文本位置）。对于yScaling，当前的转换矩阵也有1.0。

Answer 1

实际上，PDFTextStripper有将坐标转换为非PDF格式坐标系统的坏习惯，其中一个原点位于页面的左上角，y坐标向下增加。

因此，对于TextPosition tp，您应该不使用

tp.getY()

但改为

tp.getTextMatrix().getTranslateY()

不幸的是，这些坐标仍然可以翻译，即使它们更接近实际的PDF默认坐标系，参见this answer：这些坐标仍会转换为裁剪框左下角的原点。

因此，你真的需要这样的东西：

tp.getTextMatrix().getTranslateY() + cropBox.getLowerLeftY()

其中cropBox是检索为{/ 1>的PDRectangle

PDRectangle cropBox = doc.getPage(n).getCropBox();

其中n是包含该内容的网页编号。

如何使用PDFBox协调这些文本位置和行位置？

1 个答案: