Pdfbox PDFTextStripperByArea座標移位

我遇到座標問題。 PDFTextStripperByArea區域似乎被推得太高。Pdfbox PDFTextStripperByArea座標移位

考慮以下示例代碼段：

... 
PDPage page = (PDPage) allPages.get(0); 
PDFTextStripperByArea stripper = new PDFTextStripperByArea(); 

// define region for extraction -- the coordinates and dimensions are x, y, width, height 
Rectangle2D.Float region = new Rectangle2D.Float(x, y, width, height); 
stripper.addRegion("test region", region); 

// overlay the region with a cyan rectangle to check if I got the coordinates and dimensions right 
PDPageContentStream contentStream = new PDPageContentStream(document, page, true, true); 
contentStream.setNonStrokingColor(Color.CYAN); 
contentStream.fillRect(x, y, width, height); 
contentStream.close(); 

// extract the text from the defined region 
stripper.extractRegions(page); 
String content = stripper.getTextForRegion("test region"); 
... 
document.save(...); ...

青色矩形很好地覆蓋所希望的區域。另一方面，脫衣舞者錯過了矩形底部的幾條線，並且在矩形上方包含了幾條線 - 它看起來像是向上移動（通過y座標）。到底是怎麼回事？

來源

2012-01-04 ipavlic

文本通常包含在一個定位矩形內。有時，文本不在該矩形內的預期位置，PDFBox使用該矩形嘗試猜測文本的位置。所以如果文本開始在捕獲區域之外並且流入它，它可能不會被提取。

粗略草圖：文本框在捕獲區域之外開始，但文本在其內部流動。它可能不會被捕獲。

____________ 
|Page  | 
| _______| 
| |Area || 
| |  || 
| ..|.....|| 
| ⁞ |Text⁞|| 
| ⁞ |____⁞|| 
| ⁞......⁞ | 
|__________|

來源

2012-02-27 09:02:42 ipavlic

嗨，我有幾乎相同的問題：我從PDF文檔中提取塊，並希望根據其座標繪製矩形。我得到正確的寬度和高度，但正如你所提到的，最後的矩形是垂直移動的：塊的第一行不包含在矩形中。有什麼竅門可以避免這種情況？ – 2012-07-16 12:22:57

@NicolasW。 Pdfbox在猜測文本的實際位置與開始位置相反時存在問題 - 因此，如果文本在矩形外部開始並在文本內部流動，則可能無法捕獲文本。訣竅是嘗試一個稍大的捕獲區域，以捕獲在當前捕獲區域之外開始的文本。我沒有找到比這更聰明的東西。 – ipavlic 2012-07-16 12:33:09

好的，謝謝，我會看看我能做些什麼:) – 2012-07-16 12:35:52

基督教在他的評論中說，問題是，對於fillRect（）方法和一個用於PDFTextStripperByArea的座標系是不同的。

第一個要求原點是頁面的左下角，而第二個要求它是左上角。

因此，要使其工作，給予PDFTextStripperByArea地區更改爲：

Rectangle2D.Float region = new Rectangle2D.Float(x, ph - y - height, width, height);

其中Ph是頁面的高度：

float ph = page.getMediaBox().getUpperRightY();

PS：我知道這是一個這是一個非常古老的問題，但當我遇到同樣的問題時，Google把我帶到了這裏，所以我會添加我的答案。

來源

2017-08-04 19:41:08

*「第一個要求原點是頁面的左下角」* - 更確切地說：它預期由裁剪框/媒體框定義的座標。媒體框*通常*在左下角有原點，但不是*。因此，通用解決方案也相應地轉換* x *。 – mkl 2017-08-05 06:48:18

Pdfbox PDFTextStripperByArea座標移位

回答

相關問題