PDFBox 2.0：提取文本时某些单词的首字母不可见

Question

使用 PDFBox 2.0.8 和解决方案，提供here 我正在尝试仅提取页面上可见的文本。 PdfTextStripper 的基本功能返回所有可用的文本，尽管它在页面上实际上不可见，这是一个非常大的问题，所以要摆脱它，我们需要从 PageDrawer 复制粘贴大量代码并考虑这些剪辑路径来决定我们是否应该绘制特定的性格。 但是，在某些文件（如here）中，某些单词中的第一个字母总是开箱即用（在链接文件中，请参阅“租户”-“T”缺失、“月租”-“R”缺失、“宠物租金”- "R") 进行此检查时：

@Override
protected void processTextPosition(TextPosition text) {
    Matrix textMatrix = text.getTextMatrix();
    Vector start = textMatrix.transform(new Vector(0, 0));
    PDGraphicsState gs = getGraphicsState();
    Area area = gs.getCurrentClippingPath();
    if (area == null || area.contains(lowerLeftX + start.getX(), lowerLeftY + start.getY()))
        super.processTextPosition(text);
}

这始终只是丢失标记的第一个字符，我认为哪个可能很重要，大写字母。 所以似乎有一些更奇怪的转变。有没有人看到这个问题？这些转换是在原始类中进行的？ 提前非常感谢！

Answer 1

这里一种可能的解决方案是检查字符的中间（不是开始）是否不是开箱即用的，例如：

@Override
protected void processTextPosition(TextPosition text) {
    Matrix textMatrix = text.getTextMatrix();
    Vector start = textMatrix.transform(new Vector(0, 0));
    Vector middle = new Vector(start.getX() + text.getWidth()/2, start.getY());
    PDGraphicsState gs = getGraphicsState();
    Area area = gs.getCurrentClippingPath();
    if (area == null || area.contains(lowerLeftX + middle.getX(), lowerLeftY + middle.getY()))
        super.processTextPosition(text);
}