使用PDFBox讀取文本和圖像位置（xy座標）

Question

我正在做一個Java程序來讀取加密的PDF文件，並提取文件頁面的內容，包括文本，圖像和它們的位置（x，y座標）文件。現在我正在使用PDFBox來達到此目的，並且我正在獲取文本和圖像。但我無法獲得文字位置和圖像位置。閱讀一些加密的PDF文件也有一些問題。

Answer 1

看看org.apache.pdfbox.examples.util.PrintTextLocations。我已經使用了它，並且對PDF文檔中元素和邊界框的佈局進行分析非常有幫助。它還顯示用白色墨水打印的項目，或者在可打印區域外面（可能是文檔水印，或作者遺漏的「遺忘」項目）。

用例：

java -cp app/target/pdfbox-app-1.5.0.jar org.apache.pdfbox.examples.util.PrintTextLocations ~/tmp/mydoc.pdf >~/tmp/out-text-locations.txt 

你會得到類似的東西：

Processing page: 0 
String[53.9,59.856995 fs=-6.0 xscale=6.0 height=-3.666 space=1.3320001 width=4.6679993]A 
String[58.568,59.856995 fs=-6.0 xscale=6.0 height=-3.666 space=1.3320001 width=2.6640015]f 
String[61.232002,59.856995 fs=-6.0 xscale=6.0 height=-3.666 space=1.3320001 width=1.6679993]e 
... 

，你可以很容易地解析和使用繪製元素的位置，邊界框，而「流」 （通過所有元素的軌跡）等等。我相信你已經知道，你會發現PDF幾乎不可能轉換成文本。它實際上只是一個圖形描述格式（即打印機或屏幕），而不是標記語言。您可以輕鬆製作一個打印「Hello world」的PDF文件，但它會隨機跳過字符位置（如果您願意，可以使用不同於任何ISO字符編碼的字形），從而使PDF很難轉換爲文本。沒有「單詞」或「段落」的概念。例如，兩列文檔可能是分析文本的噩夢。

對於你的問題的第二部分，我有很好的效果使用xpdf的3.02版本，固定Xref.cc後（請XRef::okToPrint()，XRef::okToChange()，XRef::okToCopy()和XRef::okToAddNotes()都返回gTrue）。這是處理鎖定的文件，而不是加密的文件（還有其他的utils）。