PDFBox：来自 PdfTextStripper 的不可见文本（不是剪辑路径或颜色问题）

Question

文件示例：test

在表格的第 2 行，在“3500 RENT”之后，PdfTextStripper 返回了 2 个文本标记（“1”、“1”），但实际上在原始 PDF 中不可见。 我知道这可能是剪辑路径（如帖子here）或颜色问题（如帖子here）。

但是，在这种情况下，它似乎被其他方式隐藏了......剪辑路径不重叠，并且这些标记的颜色为黑色。

还能是什么？

Answer 1

这是颜色问题，'1's 打印为白色。

使情况有点特别的是，使用的 ColorSpace 不是您现成的 DeviceRGB 或 DeviceGray 而是一个Separation 颜色空间，Separation 颜色空间中的颜色值始终被视为减色。因此，0.0 的色调值表示使用给定着色剂可以实现的最亮颜色，而 1.0 表示最暗。此约定与 DeviceCMYK 颜色分量相同，但与 DeviceGray 和 DeviceRGB 的约定相反。

（参见 ISO 32000-1 第 8.6.6.4 节“分离颜色空间”）

内部视图

您的内容流开始如下：

/Cs8 cs 1 scn

Cs8是一个Separation色彩空间：

/Cs8 [/Separation /Black [/ICCBased 17 0 R] 18 0 R] 

具有 ICCBased 备用空间，而该备用空间又具有 DeviceRGB 作为备用空间

17 0 obj
<<
/Length 2597
/Alternate /DeviceRGB
/Filter /FlateDecode
/N 3
>>
stream
[...ICC profile...]
endstream
endobj 

以及通过采样到备用色彩空间的色调变换

18 0 obj
<<
/Length 779
/BitsPerSample 8
/Decode [0 1 0 1 0 1]
/Domain [0 1]
/Encode [0 254]
/Filter /FlateDecode
/FunctionType 0
/Range [0 1 0 1 0 1]
/Size [255]
>>
stream
[...255 samples from (255,255,255) to (35,31,32)...]
endstream
endobj 

您的内容流继续绘制标题和第一行开头的操作，然后

/TT2 1 Tf
0 scn
13.559 0 TD
6.8438 Tc
<00140014>Tj
1 scn 

0 scn 将颜色设置为最亮的 Cs8 BLACK 分色，由样本映射到屏幕上的 (255,255,255)，这将是非常白色的，6.8438 Tc 设置较大的字符间距（导致在两个 '1' 之间的间隙中），<00140014>Tj 绘制了两个 '1'，1 scn 切换回由样本映射到 (35,31,32) 的最暗 Cs8 BLACK 分色屏幕上的颜色将是非常深的灰色。

带PDFBox

在你说的评论中

当我在processTextPosition(TextPosition text) 中调试它时，gs.getNonStrokingColor() 对那些“1”标记与其他标记具有相同的值，实际上是黑色的

要使用 PDFBox 识别这一点，您必须告诉其 PDFTextStripper 查找通用颜色空间选择和颜色选择运算符 cs 和 scn 并扩展 @987654334 @like 在这个概念验证中：

PDFTextStripper stripper = new PDFTextStripper() {
    @Override
    protected void processTextPosition(TextPosition text) {
        PDGraphicsState gs = getGraphicsState();
        PDColor color = gs.getNonStrokingColor();
        float[] currentComponents = color.getComponents();
        if (!Arrays.equals(components, currentComponents)) {
            System.out.print(Arrays.toString(currentComponents));
            components = currentComponents;
        }
        System.out.print(text.getUnicode());
        super.processTextPosition(text);
    }
    
    float[] components;
};

stripper.addOperator(new SetNonStrokingColorSpace());
stripper.addOperator(new SetNonStrokingColorN());

(ExtractText 测试testTestSeparation)

有了这些设置，你就可以得到

[1.0]TenantLeaseStart ... 3,500.00RENT[0.0]11[1.0]16,133.33

如您所见，颜色分量以1.0 开头，对于两个“1”，它是0.0，然后再次变为1.0，直到下一次运行不可见的“1”。