如何使用 PDFBox 從 PDF 中提取對角線水印文本？

參考ExtractText 的 rotationMagic選項后，我現在提取垂直和水平水印但不是對角線。到目前為止，這是我的代碼。

class AngleCollector extends PDFTextStripper {
    private final Set<Integer> angles = new TreeSet<>();

    AngleCollector() throws IOException {}

    Set<Integer> getAngles() {
        return angles;
    }

    @Override
    protected void processTextPosition(TextPosition text) {
        int angle = ExtractText.getAngle(text);
        angle = (angle   360) % 360;
        angles.add(angle);
    }
}

class FilteredTextStripper extends PDFTextStripper {
    FilteredTextStripper() throws IOException {
    }

    @Override
    protected void processTextPosition(TextPosition text) {
        int angle = ExtractText.getAngle(text);
        if (angle == 0) {
            super.processTextPosition(text);
        }
    }
}

final class ExtractText {
    static int getAngle(TextPosition text) {
        //The Matrix containing the starting text position
        Matrix m = text.getTextMatrix().clone();
        m.concatenate(text.getFont().getFontMatrix());
        return (int) Math.round(Math.toDegrees(Math.atan2(m.getShearY(), m.getScaleY())));
    }

    private List<String> getAnnots(PDPage page) throws IOException {
        List<String> returnList = new ArrayList<>();
        for (PDAnnotation pdAnnot : page.getAnnotations()) {
                if(pdAnnot.getContents() != null && !pdAnnot.getContents().isEmpty()) {
                    returnList.add(pdAnnot.getContents());
                }
        }
        return returnList;
    }

    public void extractPages(int startPage, int endPage, PDFTextStripper stripper, PDDocument document, Writer output) {
        for (int p = startPage; p <= endPage;   p) {
            stripper.setStartPage(p);
            stripper.setEndPage(p);
            try {

                PDPage page = document.getPage(p - 1);
                for (var annot : getAnnots(page)) {
                    output.write(annot);
                }

                int rotation = page.getRotation();
                page.setRotation(0);
                var angleCollector = new AngleCollector();
                angleCollector.setStartPage(p);
                angleCollector.setEndPage(p);
                angleCollector.writeText(document, output);

                for (int angle : angleCollector.getAngles()) {
                    // prepend a transformation

                    try (var cs = new PDPageContentStream(document, page,
                            PDPageContentStream.AppendMode.PREPEND, false)) {
                        cs.transform(Matrix.getRotateInstance(-Math.toRadians(angle), 0, 0));
                    }

                    stripper.writeText(document, output);

                    // remove prepended transformation
                    ((COSArray) page.getCOSObject().getItem(COSName.CONTENTS)).remove(0);
                }
                page.setRotation(rotation);

            } catch (IOException ex) {
                System.err.println("Failed to process page "   p   ex);
            }
        }
    }
}

public class pdfTest {
    private pdfTest() {
    }

    public static void main(String[] args) throws IOException {
        var pdfFile = "test-resources/pdf/pdf_sample_2.pdf";
        Writer output = new OutputStreamWriter(System.out, StandardCharsets.UTF_8);
        var etObj = new ExtractText();
        var rawDoc = PDDocument.load(new File(pdfFile));
        PDFTextStripper stripper = new FilteredTextStripper();

        if(rawDoc.getDocumentCatalog().getAcroForm() != null) {
            rawDoc.getDocumentCatalog().getAcroForm().flatten();
        }

        etObj.extractPages(1, rawDoc.getNumberOfPages(), stripper, rawDoc, output);
        output.flush();
    }
}

編輯 1： 我也無法通過具有正確 Alignment 的TextExtractor 代碼檢測表單（Acro、XFA）欄位內容。我怎樣才能做到這一點 ？

我附上示例 PDF 以供參考。 示例 PDF 1 示例 PDF 2

我需要使用 PDFBox 執行以下操作

1. 對角線文本檢測。（包括水印）。
2. 通過保持正確對齊來提取表單欄位。

uj5u.com熱心網友回復：

在您的“問題”中，您實際上會問多個不同的問題。我會仔細研究它們中的每一個。答案可能沒有您希望的那么具體，因為您的問題基于并非全部正確的假設。

“如何使用 PDFBox 從 PDF 中提取對角線水印文本？”

首先，PDF 文本提取的作業原理是檢查頁面內容流中包含的 XObjects指令，在其中查找文本繪制指令，獲取坐標和方向及其字串引數，將字串映射到 Unicode，并排列許多單獨的Unicode 字串按其在單個內容字串中的坐標和方向。

在 PDFBox 的情況下，按PDFTextStripper原樣執行此操作，對方向處理的支持有限，但它可以擴展為按方向過濾文本片段以獲得更好的方向支持，如激活旋轉魔法的ExtractText示例所示。

雙水印.pdf

double_watermark.pdf但是，在您的示例 PDF 的情況下，正如 Tilman 已經指出的那樣，對角線文本“絕密”不是使用文本繪制說明創建的，而是使用路徑構建和繪制說明創建的。（實際上這里的路徑都是非常短的線序列，沒有使用曲線，使用高縮放系數可以看到。）因此，PDF文本提取無法提取此文本。

回答你的問題

如何使用 PDFBox 從 PDF 中提取對角線水印文本？

在這種情況下，因此：你不能。

（當然，您可以使用 PDFBox 作為 PDF 處理框架，您也可以在此基礎上收集路徑并嘗試將它們與字符匹配，但它本身就是一個更大的專案。或者您可以使用 PDFBox 將頁面繪制為位圖并應用 OCR到那些位圖。）

“我也無法通過具有正確對齊的 TextExtractor 代碼檢測表單（Acro、XFA）欄位內容。我該怎么做？”

AcroForm 或 XFA 表單定義中的表單資料不是頁面內容流或從中參考的 XObject 內容流的一部分。因此，它們不會立即受到文本提取的影響。

AcroForm 表格

AcroForm 表單域是抽象的 PDF 資料物件，可能有也可能沒有相關的內容流用于顯示。要將它們包含到文本提取操作的內容流中，您可以先展平表單。正如您在自己的回答中提到的，您還必須激活排序以在背景關系中提取欄位內容。

請注意，PDF 渲染器在創建表單域的可視化時確實有一定的自由度。因此，文本提取順序可能與您期望的略有不同。

XFA 表格

XFA 表單定義是 PDF 中的布谷鳥蛋。它們是與常規 PDF 物件無關的 XML 流；此外，多年前，PDF 中的 XFA 已被棄用。因此，大多數 PDF 庫不支持 XFA 表單。

PDFBox 只允許提取或替換 XFA XML 流。因此，在文本提取期間沒有立即支持 XFA 表單內容。

uj5u.com熱心網友回復：

通過保持正確對齊來提取表單欄位。

這是通過setSortByPosition解決的

標籤：爪哇 pdf pdfbox 水印 文本对齐

上一篇：如何在xtext中創建goto運算式？

下一篇：SQL確定要保留哪些行以及要洗掉哪些行