我试图通过使用Apache PDFBox对文件中的各个PDF页面执行一些字符串验证。
我将大部分时间都使用PDFTextStripper，因此我要解决的第一个问题是，我要验证的所有PDF都是以2up生成的;例如，第1页的第2页和第2页的第2页是在同一页上，或者如果您认为您真正将书面朝下扫描到扫描仪中 - 除此之外，它们的方向不正确，需要旋转90度，因此PDFTextStripper可以读取它们正常。
使用以下问题/解决方案的元素，我建立了一种方法，首先将页面精确地裁剪为一半，导出裁剪的页面以便新文件，将每个页面旋转到正确的方向，然后保存文件;
Rotate PDF around its center using PDFBox in java
Split a PDF page in two parts [duplicate]
从视觉上看，我的方法似乎按预期工作，直到我对它运行PDFTextStripper - 它似乎不仅返回我想要的页面的文本，而且还返回了我从其中裁剪的页面。
为了确认问题，我从整个文档中提取了一个页面并将其保存为新文件 - 运行PDFTextStripper时，即使我只能看到一页，我仍然会得到相同的结果。 Adobe搜索也不会显示隐藏的遗留数据。
我只能假设在我的转换方法中，我需要仅使用裁剪页面的内容重新定义裁剪页面。
我的问题是，我该怎么做？
p.s - 我没有发布我的代码，因为它基本上是上述链接中提供的解决方案的合并 - 但如果我需要，我可以提供
答案 0 :(得分：2)
PDFTextStripper忽略您设置为裁剪页面的裁剪框。它还忽略文本是否被某些填充的矩形或图像覆盖，或者文本是否不可见，它会提取所有文本（模式中的文本除外或包含在Type 3字体中的文本）。
您可能想尝试使用PDFTextStripperByArea。此类（派生自PDFTextStripper）将自身限制为您可以定义的区域。
（不幸的是，这些区域必须使用与用于 CropBox 的坐标系不同的坐标系来定义，因此通常您必须先转换坐标。）