为什么itext5生成的文本无法通过Acrobat Reader看到？

我有一个小的PDF文档，它是从一个较大的PDF文档中裁剪出来的。我惊讶地发现itext5（使用自定义位置策略）仍然在重新生成裁剪后遗漏的所有文本。此文本在Acrobat reader中均不可见

如何让itext 5检测并忽略这些隐藏的文本？

编辑1-超链接了错误的文档

编辑2-附加代码段

public class MyLocationTextExtractionStrategy : 
LocationTextExtractionStrategy
{
  public void RenderText(TextRenderInfo renderInfo)
  {
   string text = renderInfo.GetText();
  }
}

谢谢，

---

Saurabh

来自

我惊讶地发现itext5（使用自定义位置策略）仍然在重新生成裁剪后遗漏的所有文本

以及您的代码片段的

公共类MyLocationTextExtractionStrategy:LocationTextExtractionStrategy
{
公共void RenderText（TextRenderInfo renderInfo）
{
string text=renderInfo.GetText（）；
}
}

我假设您确实感到惊讶的是，在

MyLocationTextExtractionsStrategy

的

RenderText

方法中，您为裁剪框之外的文本检索

TextRenderInfo

对象

但这是自然而然的！您的

RenderText

方法实现了

IRenderListener

接口的该方法，并且该接口的方法将为页面内容中的每个匹配绘图指令调用，无论其结果最终是否可见

如何让itext 5检测并忽略这些隐藏的文本

通过对照当前文档页面的裁剪框坐标检查文本坐标，可以很容易地检测和忽略裁剪框外的文本

iText实际上包含一个过滤器体系结构，它允许排除文本块以达到不满足某些标准的策略

例如，如果您目前使用这样的策略：

MyLocationTextExtractionStrategy策略=新建MyLocationTextExtractionStrategy（）；
GetTextFromPage（pdfReader，1，策略）；

可以像下面这样应用裁剪框区域过滤器：

MyLocationTextExtractionStrategy策略=新建MyLocationTextExtractionStrategy（）；
FilteredTextEnderListener strategyWithFilter=新的FilteredTextEnderListener（策略，
新的RegionExtranderFilter（pdfReader.GetCropBox（1））；
GetTextFromPage（pdfReader，1，strategyWithFilter）；

---

旁白：

我想要文档中所有可见的文本。当我说可见时，我指的是通过AdobeAcrobatReaderDC可见的文本。我不想将文本限制在任何特定区域。只是所有可见的文本

• 除超出裁剪框边框外，文本可能因多种原因而不可见，例如：
  • 它可以用与背景相同的颜色绘制，例如白色对白色
  • 某些设置或操作可能会将文本颜色和背景颜色转换为 相同的颜色，即使它们原本可能不同
  • 可以使用文本呈现模式，该模式不绘制任何东西
  • 用于文本的字体字形可能不可见
  • 文本可能被一些图像覆盖
  文本提取将提取所有那些“不可见”的文本片段
  （在某种程度上，您可以扩展文本提取框架来认识到这一点，您可以在stack overflow上找到许多关于此类扩展的问题和答案，但总会有一些您没有涉及的情况。）

• 此外，文本可能仅部分涵盖。例如，考虑字母R’和覆盖R’右腿的一些白色矩形，使其看起来像‘P’< /P >。 文本提取将返回“R”，即使Adobe Reader显示您识别为“p”的内容

• 字体可能包含不完整或完全错误的信息，其中一个字形对应的Unicode字符
  对于使用这种字体的文本，文本提取将返回错误的输出，或者可能根本没有输出

• PDF中的文本可能不是使用文本绘制说明绘制的，而是使用矢量图形（如任意形式）绘制的
  文本提取根本不会提取这样的“文本”

---

如果这些问题阻碍了您的展示，那么文本提取技术对您来说是错误的，您应该改用OCR。

您所说的“重新生成”是什么意思？即使您在Adobe Acrobat中打开文档，文本仍然存在（不再有Acrobat Reader这类东西）。只要让Acrobat显示隐藏的文本，文本就会重新出现。注意：此功能在Adobe Reader中不可用。既然你说的是Acrobat Reader；很难知道您所说的是Adobe Acrobat还是Adobe Reader。如果要提取某个矩形（如裁剪框）内的文本，需要将iText检查的位置限制在该矩形内。这取决于您使用的iText 5的版本是否可能。我很确定iText7支持它。在任何情况下：您没有显示任何代码，因此我们无法检查用于提取文本的

策略。实际上，
GetPageSize（）
方法返回
/MediaBox
，但我没有告诉您查看
/MediaBox
。我告诉过你看看
/CropBox
@BrunoLowagie“现在已经没有Acrobat Reader了”——不幸的是，Adobe在命名策略上前后摇摆。最早的阅读器版本被称为“AdobeAcrobatReader”，后来很多版本都是“AdobeReader”，现在又是“AdobeAcrobatReader”。谢谢。我已经接受了你的回答。最后一个问题。在您的代码片段中，
pdfReader.GetCropBox（1）
，您是如何得出参数1的。是否可以有超过1个裁剪框？@Sau每页c