Question

文件示例：file。

问题 - 使用PdfTextStripper提取文本时，有令牌＆＃34; 9/1 2017＆＃34;和＆＃34; 387986＆＃34;之后＆＃34;资产＆＃34;在页面开始应删除，其他一些隐藏令牌。

我已经应用了this解决方案（因此我不会将其复制粘贴到此处，因为实际上问题完全相同）并且仍然隐藏文本出现在页面上。它可以被剪辑路径以外的其他东西隐藏吗？谢谢！

Answer 1

它可以被剪辑路径以外的其他东西隐藏吗？

是。如果是新文档，则文本以白色白色书写，例如387986之后的ASSETS就像这样绘制：

1 1 1 rg
/TT0 16 Tf
-1011.938 115.993 Td
(@A,BAC)Tj

初始1 1 1 rg将填充颜色设置为RGB WHITE。（此外，该文本非常小，但如果在例如BLACK中绘制，则仍然可见。）

您引用的solution是针对文档实现的，例如该问题中提供的示例文档，其中通过定义剪辑路径（在文本的边界之外）使隐形文本不可见，并且通过填充路径（隐藏下面的文本）。因此，您的白色文本将不会被隐藏。

不幸的是，识别WHITE在白色文本上的隐形性比剪切或覆盖文本更难以确定，因为不仅需要知道当前图形状态的属性（如剪辑路径）或删除内部的所有文本。给定路径时，还需要在绘制文本之前知道页面部分的颜色（以检查 on WHITE 详细信息）。

另一方面，如果您假设页面背景基本上是白色，则忽略所有白色文本非常简单：只需检测processTextPosition中的当前填充颜色：

PDColor fillColor = gs.getNonStrokingColor();

并将其与您想要隐身的WHITE风格进行比较。（通常它应该足以与RGB，CMYK和灰度WHITE进行比较;在很少的情况下，你还必须正确地解释更复杂的颜色空间。此外，你也可以考虑几乎看不见的WHITE颜色，（。99，.99 ,. 99）RGB很难与WHITE区分开来。）

如果您发现当前颜色为白色，请忽略当前的TextPosition。

请注意，就像您引用的解决方案一样，这还不是识别所有白色文本的最终解决方案：为此，您还必须检查文本呈现模式：如果它只是填充（默认值），上面成立，但如果它（也）描边，你（也）必须考虑抚摸颜色;如果它被渲染为不可见，则无需考虑颜色;如果文本呈现模式包含添加到剪切路径，则必须等待并确定稍后在页面的这一部分中绘制的内容，只要剪辑路径成立，绝对不是无关紧要的！

再次有来自PdfTextStripper的隐形文本

1 个答案: