Question

我有一个小的PDF文档，它是来自较大的PDF文档的裁剪版本。我很惊讶地发现itext5（使用自定义位置策略）仍在重新生成裁剪后遗漏的所有文本。通过Acrobat阅读器无法看到此文本。

我怎样才能使itext 5检测并忽略这些隐藏的文本？ Link to PDF with hidden text

编辑1 - 错误的文档被超链接

编辑2 - 附加了代码段

public class MyLocationTextExtractionStrategy : 
LocationTextExtractionStrategy
{
  public void RenderText(TextRenderInfo renderInfo)
  {
   string text = renderInfo.GetText();
  }
}

感谢， SAURABH

Answer 1

来自

的组合

我很惊讶地发现itext5（使用自定义位置策略）仍在重新生成裁剪后遗漏的所有文本。

和您的代码段

public class MyLocationTextExtractionStrategy : LocationTextExtractionStrategy
{
  public void RenderText(TextRenderInfo renderInfo)
  {
   string text = renderInfo.GetText();
  }
}

我认为您实际上感到惊讶的是，在您RenderText的{{1}}方法中，您为裁剪框之外的文本检索了MyLocationTextExtractionStrategy个对象。

但这恰恰是自然而然的！您的TextRenderInfo方法实现了RenderText接口的方法，并且为页面内容中的每个匹配绘图指令调用此接口的方法，无论它们的结果最终是否可见。 / p>

我怎样才能使itext 5检测并忽略这些隐藏文本？

通过检查当前文档页面裁剪框坐标的文本坐标，可以非常轻松地检测和忽略裁剪框外的文本。

iText实际上包含一个过滤器架构，允许排除文本块以达到不符合某些标准的策略。

如果你是目前使用您的策略：

IRenderListener

您可以像这样应用裁剪框区域过滤器：

MyLocationTextExtractionStrategy strategy = new MyLocationTextExtractionStrategy();
PdfTextExtractor.GetTextFromPage(pdfReader, 1, strategy);

暂且不说：

我想要文档中的所有可见文本。当我说可见时，我指的是通过Adobe Acrobat Reader DC可见的文本。我不想将文本限制在任何特定区域。只是所有可见的文字。

除了超出裁剪框边界之外，文字可以出于多种原因而不可见，例如。
- 它可以用与背景相同的颜色绘制，例如白色的白色，
- 某些设置或操作可能会将文本颜色和背景颜色转换为相同的颜色，即使它们最初可能不同，
- 可以使用不会开始绘制任何内容的文本呈现模式，
- 用于文本的字体的字形可能是不可见的
- 文字可能会被某些图片覆盖，
- ...
文本提取将提取所有那些＆＃34;隐形＆＃34;文字片段。

（在某一点上，您可以扩展文本提取框架以识别这一点，您可以在堆栈溢出时找到关于此类扩展的许多问题和答案，但总会出现一些您未涵盖的案例。）
此外，文字可能仅部分涵盖。例如。考虑一下这封信的情况＆＃39; R＆＃39;还有一些白色的长方形覆盖着＆＃39; R＆＃39;使它看起来像＆＃39; P＆＃39;

文本提取将返回＆＃39; R＆＃39;即使Adobe Reader显示您认可为“P＆＃39;。
字体可能包含一个字形对应的Unicode字符的不完整或完全错误的信息。

文本提取将使用这样的字体返回错误的文本输出，或者可能根本没有输出。
PDF中的文字可能无法使用文字绘图说明绘制，而是使用任意形式的矢量图形。

文本提取无法提取此类＆＃34;文本＆＃34;完全没有。
...

如果这些问题对您来说是一个阻碍，那么文本提取对您来说是错误的技术，您应该使用OCR。

为什么itext5会生成通过Acrobat Reader无法看到的文本？

1 个答案: