Java 如何在PDFTextStripperByArea中定义区域？

我正在使用PDFBox从PDF文件中提取文本。我面临的一个问题是：PDFBox将主要内容与我想忽略的PDF页脚/页眉部分混为一谈

我被告知以下代码将有所帮助：

Rectangle rec = new Rectangle();
# init rec...
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.addRegion("cropbox", rec); 
stripper.setSortByPosition(true);

谁能告诉我剥离器.setSortByPosition（true）的确切含义是什么？我阅读了文档，但仍然感到困惑：

当我使用上述代码从PDF文件中提取文本时，我得到了以下错误：

Exception in thread "main" java.lang.IllegalArgumentException:
Comparison method violates its general contract!
at java.util.TimSort.mergeLo(TimSort.java:747)
at java.util.TimSort.mergeAt(TimSort.java:483)
at java.util.TimSort.mergeCollapse(TimSort.java:408)
at java.util.TimSort.sort(TimSort.java:214)
at java.util.TimSort.sort(TimSort.java:173)
at java.util.Arrays.sort(Arrays.java:659)
at java.util.Collections.sort(Collections.java:217)
at org.apache.pdfbox.util.PDFTextStripper.writePage(PDFTextStripper.java:565)
at org.apache.pdfbox.util.PDFTextStripperByArea.writePage(PDFTextStripperByArea.java:190)
at org.apache.pdfbox.util.PDFTextStripper.processPage(PDFTextStripper.java:457)
at org.apache.pdfbox.util.PDFTextStripperByArea.extractRegions(PDFTextStripperByArea.java:153)

有人能帮我修一下吗

PS：以下是

setSortByPosition

的文档，供您参考：

PDF文件中文本标记的顺序可能与屏幕上显示的顺序不同。例如，PDF编写器可能会按字体写出所有文本，也就是所有粗体或更大的文本，然后进行第二次传递并写出正常文本

默认情况下，不按位置排序

PDF编写器可以选择以不同的顺序编写每个字符。默认情况下，由于性能原因，PDFBox在处理文本标记之前不会对其进行排序

缴费灵： @蒂尔曼·豪瑟：这是一个已知的问题：-（

请参阅：issues.apache.org/jira/browse/PDFBOX-1512

更新： 避免这些例外情况的一种可能方法[1]是：

System.setProperty("java.util.Arrays.useLegacyMergeSort", "true");

---

[1]

我查看了源代码，发现他们的

TextPositionComparator

（

Comparator

用于对文本位置进行排序）似乎违反了合同在这种情况下可能会引发异常；PDFBox似乎仍然与java 4兼容，并且他们计划更新到java 6的版本2.0，因此可能不是最新版本……）

您最好将这个错误告知开发者（）。但是您可以下载源代码并自己更改比较器。我很确定错误在代码的第63行（版本1575836）

在那里，它们允许y值有一定的公差。您可以找到违反

比较器

接口契约部分的文本位置：

实现者还必须确保关系是可传递的：（（compare（x，y）>0）&（compare（y，z）>0））意味着compare（x，z）>0

---

显示违反条件是可能的：选择

TextPosition.getYDirAdj（）

（posYBottom）设置为0、0.05和0.11，并确保第64行和第65行中的条件为false，通过选择正确的x位置，您可以从3个

比较
结果中选择1个。
此问题与已被JDK7替换的
Collections.sort（List）
方法有关。有关详细信息，请参阅
:

领域：API：实用程序概要：更新了数组和
集合可能会抛出IllegalArgumentException描述：
java.util.Arrays.sort使用的排序算法和（间接）通过
已替换java.util.Collections.sort。新的排序
如果实现检测到异常，它可能会抛出IllegalArgumentException
可比的违反可比合同的。先前的
实现过程默认忽略了这种情况
如果需要行为，可以使用新的系统属性，
java.util.Arrays.useLegacyMergeSort，以还原以前的mergesort
行为。不相容性的性质：行为RFE:6804124

要解决此问题，请使用该代码：

System.setProperty("java.util.Arrays.useLegacyMergeSort", "true");

这将把排序算法设置为JDK7之前的行为。对我来说非常有效…
Q：有人能告诉我stripper.setSortByPosition（true）的确切含义吗

答：我对PDF格式的理解是它由字符组成（这里只讨论文本）使用相对于页面左下角的坐标精确放置。在编写PDF时，这些字符不必以一个不间断的顺序插入，而是从左到右、从上到下插入。因此，通过将SortByPosition设置为true，您告诉PdfBox尝试使用顺序对字符进行排序w将字符显示在屏幕上，而不是PDF文件中字符的顺序。
这是正确的，但是请参见Uwe在PDFBOX-1512中的评论：“解决方法的问题是需要在应用程序之外完成”。无论如何，它将在即将发布的版本1.8.8:-）中得到解决，这是个好消息！什么时候发布？仅出于您的兴趣：我使用了25本书的样本，只有几页出现了问题。出现问题的所有页面都是带有以下内容的页面：数字、表格、图表或数学公式（简单的文本页面对我来说不会引发问题）。它将在1.8.8版（可能是今年）中修复。将来对此进行更新：PDFBox中不再出现此错误，因为他们切换到了自己的快速排序算法，这实际上与设置“useLegacyMergeSort”相同，但在PDFBox中使用它会影响可能确实希望执行这些检查的其他排序。比较器与以往一样。这里有更多关于这方面的讨论：