PDFBox 跳过文本

Question

我正在使用 Apache pdfbox 读取已扫描的 pdf。在某些 pdf 中，文本的顺序有时会显得混乱。例如，在下图中，您可以注意到从 Adob​​e Reader 为 pdf 选择文本时如何完全跳过一个部分。当使用 pdfbox 以编程方式读取 pdf 时，也会发生同样的情况。我知道这与pdf结构有关。但是，我希望在 SO 中找到以下问题的答案：

1. 为什么会在 pdf 中发生这种情况？
2. 如何在 java 中以编程方式检测这个？有哪些潜在的方法？
3. 此问题的解决方法是什么？ （除了在 PDFStripper 中读取设置 readSorted 为 true）

部分pdf文件是here供下载。

Answer 1

为什么会在 pdf 中发生这种情况？

您看到的作为最终静态图像的 PDF 页面的内容是按照其内容流中的一系列指令绘制的。这些指令主要要么设置一些属性（颜色、字体，...），要么实际绘制一些东西（“从 A 到 B 画一条线”，“从 B 开始绘制文本字符串 A”，...）。 PDF 标准不要求按阅读顺序排列这些说明，例如字符串“Hello world”可以先绘制“world”再绘制“Hello”。

默认情况下，PDFBox 文本剥离器按绘制顺序提取文本。例如。假设在您的页面上有四个文本片段 A、B、C 和 D 明显按该顺序排列，但按 A、C、D 和 B 顺序绘制。PDFBox 默认情况下将按后一顺序 A、C 提取它们、D 和 B。（如果你要求它排序，你会按从上到下、从左到右的顺序得到它。）

Adobe Reader 还按照绘制顺序标记文本。例如。再次假设在您的页面上有四个文本片段 A、B、C 和 D 明显按该顺序排列，但按 A、C、D 和 B 顺序绘制。如果您从 A 到 C 标记，则不会标记 B , 只有 A 和 C。

例如您的 PDF

您文档的第 2 页确实以有趣的顺序绘制：

• 页面内容流以绘制名为 X0 的表单 Xobject 的指令开始。您可以将此类对象视为类似 宏 的东西，独立的内容流可以包含在其他内容流的绘制中。因此，现在绘制了该表单 Xobject 的内容流：

  • Xobject X0 内容流以绘制图像 Xobject 的指令开始。 Image Xobjects 包含多种格式的位图图形。有问题的位图包含扫描的页面除了所有字母，即本质上是污垢斑点和几行：

  • 此后有很多文字绘制指令绘制所有段落除了第 7 段和第 8.01 段：

  • 此后表单Xobject的内容流结束，因此在页面内容流中继续执行。

• 页面内容流继续以文本绘制指令绘制两个缺失的段落：

这解释了你的观察：

标记文本的开头和结尾以 Xobject 的形式绘制。因此，只有 Xobject 表单中的文本被标记，而不是页面内容流中稍后绘制的两个段落。

顺便说一句，如果您想知道为什么文本看起来像位图扫描图像，尽管它是作为文本绘制的......这里使用的字体是从扫描页面中通过切割小块构建而成的，其中包含OCR 机制被认为是单个字形。这有时并不完全对应于单个字符，该字体中的某些字形对应于多个字符：

如您所见，对于某些字符，字体中有多个字形（例如小写“o”），而某些字形包含多个字符（例如“es”或“mi”）。

解决这个问题的方法是什么？ （除了在 PDFStripper 中读取设置 readSorted 为 true）

好吧，你必须决定你想要什么。您希望文本按绘制顺序排列，或者按排序顺序排列。

如果你希望它按绘图顺序，每隔一段时间就会有文档以文本块的顺序出现这种不稳定的跳跃。

如果您希望它以不同的顺序排列，则必须进行排序。 PDFBox 提供的排序是简单的从上到下、从左到右的排序。如果您有不同的排序方式，您可以从文本剥离器中检索 TextPosition 对象，它在其中存储字形以及它们在页面上的位置、大小和方向，然后自行对它们进行排序。

如何在 java 中以编程方式检测到这一点？有哪些潜在的方法？

“这个”到底是什么意思？

• 你的意思是文字绘制指令不是从上到下、从左到右绘制的吗？

  为此，您可以简单地覆盖PDFTextStripper 方法processTextPosition(TextPosition) 或writeString(String, List<TextPosition>) 并分析TextPosition 实例中的位置。如果他们突然向上跳或（在同一条线上）向左跳，你就会发现这种情况。

• 或者你的意思是文字绘制说明没有按阅读顺序绘制？

  这很困难，有多种情况下阅读顺序会再次跳升，例如在多列文本或插入文本框的情况下。这绝对超出了堆栈溢出的答案。