PDFBox 2.0：旋转页面上的不可见线条 - 剪辑路径问题

Question

文件示例：click here

使用来自this 主题的出色解决方案，我尝试提取可见文本。附加文档的文本非常小，这可能会导致此剪辑路径问题，其中某些字母可能会被隐藏。对于这样的旋转文本，我稍微更改了链接问题的代码：

    @Override
    protected void processTextPosition(TextPosition text) {
        PDGraphicsState gs = getGraphicsState();                            

        Vector center = getTextPositionCenterPoint(text);
        Area area = gs.getCurrentClippingPath();
        if (area == null || area.contains(lowerLeftX + center.getX(), lowerLeftY + center.getY())) {            
            nonStrokingColors.put(text, gs.getNonStrokingColor());
            renderingModes.put(text, gs.getTextState().getRenderingMode());
            super.processTextPosition(text);
        }
    }


private Vector getTextPositionCenterPoint(TextPosition text) {
        Matrix textMatrix = text.getTextMatrix();
        Vector start = textMatrix.transform(new Vector(0, 0));
        Vector center = null;
        switch (rotation) {
        case 0:
            center = new Vector(start.getX() + text.getWidth()/2, start.getY()); 
            break;
        case 90:
            center = new Vector(start.getX(), start.getY() + text.getWidth()/2);
            break;
        case 180:
            center = new Vector(start.getX() - text.getWidth()/2, start.getY());
            break;
        case 270:
            center = new Vector(start.getX(), start.getY() - text.getWidth()/2);
            break;
        default:
            center = new Vector(start.getX() + text.getWidth()/2, start.getY());
            break;
        }

        return center;
    }

我正在尝试做的 - 根据旋转获取字符 X 中心点（我知道有时这不起作用，因为文本方向，但这里看起来不是这种情况） 但是在应用此解决方案后，由于剪辑路径，我跳过了底部的第 2 行、第 3 行和其他一些行。 我想知道我的错误在哪里。 提前致谢！

Answer 1

您的 PDF 出现问题是由以下因素共同引起的

• 文本坐标正好在剪辑路径边框上；
• 文本坐标和剪辑路径坐标的不同计算路径存在不同的浮点错误，导致剪辑路径边界上的文本坐标有时被计算为剪辑路径之外。

不幸的是，您尝试更改这一点在这里没有帮助：问题文本的基线与剪辑路径边框重合，而您的 getTextPositionCenterPoint 仅沿基线居中，因此居中点与字形原点完全一致问题。

另一种解决方法效果更好：使用脂肪点比较。这意味着我们不是检查给定点 x, y 是否在剪辑区域中，而是检查这些坐标周围的小矩形是否与剪辑区域相交。如果坐标由于浮点错误而超出剪辑区域，这足以在剪辑区域中找到它们。

为此，我们将processTextPosition 中的area.contains(x, y) 检查替换为contains(area, x, y)，实现为

protected boolean contains(Area area, float x, float y) {
    double length = .0002;
    double up = 1.0001;
    double down = .9999;
    return area.intersects(x < 0 ? x*up : x*down, y < 0 ? y*up : y*down, Math.abs(x*length), Math.abs(y*length));
}

(PDFVisibleTextStripper 辅助方法)

（实际上这里选择坐标周围的矩形有点随意，这个选择对我来说很有效。）

有了这个改变，我得到了你缺少的底部的第二行、第三行和其他一些行，参见。测试ExtractVisibleText.testFat1。