我正在使用 PdfTextStripper (PDFBox 1.8.2) 来处理 pdf 文件中的每个 TextPosition。我已经测试了很多文件，我注意到它按阅读顺序处理文本。但是，如果 pdf 有页脚（我导出为 pdf 的 docx），这并不适用。 pdfTextStripper 先处理页脚，然后处理文件正文。
这是预期的行为吗？有没有办法可以指定订单？或者有什么方法可以识别它的页脚，我可以在我的代码中进行调整？
【问题讨论】：
标签： pdf pdfbox text-extraction
PdfTextStripper 有一个属性 SortByPosition (getSortByPosition & setSortByPosition)。默认为false。
如果此属性为false,，PdfTextStripper 实质上是按照文本在 PDF 页面内容流中出现的顺序提取文本。
这个顺序可能会被完全打乱（因为在内容流中，您使用的运算符可以将下一个打印文本放置在页面上的任何位置）但通常属于一起的文本部分会保持在一起（因为这些部分所需的操作通常会被插入在该流中作为一个块）。
不过，页眉和页脚通常是同时添加的，因此会一起出现在正文之前或之后。
如果这个属性是true,，PdfTextStripper 本质上是从上到下，从左到右提取文本（除非阅读顺序被定义为从右到左）。 （好吧，好吧，它也尊重文章珠，但你几乎不能指望它们被普遍使用。）
这种顺序适用于单列文本，页眉在前，页脚在后，但除非使用正确的文章珠，否则多列页面会被弄乱。
顺便说一句，您可以使用属性ShouldSeparateByBeads (getSeparateByBeads & setShouldSeparateByBeads) 关闭文章珠子的使用。
【讨论】：