Java 从PDF中提取文本位置

我正在尝试查找PDF中文本元素的位置。为此，我扩展了PDFTextStripper。我正在用它做测试

public class TextFinder extends PDFTextStripper {
    private static final Logger logger =
        LoggerFactory.getLogger(TextFinder.class);

    private PDRectangle mediaBox;

    public static class CMProcessor extends OperatorProcessor {

        @Override
        public void process(PDFOperator operator, List<COSBase> arguments)
                throws IOException {

            if ("cm".equals(operator.getOperation())) {
                logger.debug("CM operation");
            }
        }
    }

    private CMProcessor cmProcessor = new CMProcessor();

    public TextFinder() throws IOException {
        this.registerOperatorProcessor("cm", cmProcessor);
    }

    @Override
    protected void startPage(PDPage page) throws IOException {
        super.startPage(page);
        mediaBox = page.findMediaBox();
        logger.debug(String.format("MEDIA (%f,%f) (%f,%f)",
            mediaBox.getLowerLeftX(), mediaBox.getLowerLeftY(),
            mediaBox.getUpperRightX(), mediaBox.getUpperRightY()));
    }

    @Override
    protected void writeString(String text, List<TextPosition> textPositions)
            throws IOException {
        for (TextPosition position : textPositions) {
            float x = position.getXDirAdj();
            float y = mediaBox.getHeight() - position.getYDirAdj();
            logger.debug(String.format("(%f,%f) (%f,%f)", x, y,
                x + position.getWidthDirAdj(), y + position.getHeightDir()));
        }
        super.writeString(text, textPositions);
    }
}

多亏了mkl，这个问题是由自定义运算符处理器引起的。没有它，一切正常。但我需要操作员处理器，因为我用它来查找图像。我仍然不太明白，为什么添加自定义处理器会影响PDFTextStripper的行为

为什么添加自定义处理器会影响PDFTextStripper的行为

原因是你的加入

实际上替换了现有的处理器。原始版本对于确定页面上的正确位置很重要

---

解决方案是连锁处理。

我只是想重现你的问题。但是，运行代码时，我会得到不同的坐标，特别是不是从0,0开始。您使用哪个PDFBox版本？我使用1.8.8进行了测试。如果我没记错的话，以前有一个版本，

writeString

检索到一个bug

textPositions

列表。对不起，我的错。我没有向代码段中添加自定义运算符处理器，这实际上是导致此问题的原因。但我仍然不太明白，为什么添加自定义处理器会影响PDFTextStripper的行为。-实际上，您不添加而是替换现有的，并且转换矩阵在确定位置的上下文中非常重要。我将此注释作为实际答案。我通过重写

PDFStreamEngine.processOperator（pdfooperator operator，List arguments）解决了此问题

而不是使用

运算符处理器

。这本质上也是链接。您只是链接processOperator调用，而不是Processor.process调用。

MEDIA (0.000000,0.000000) (595.270020,841.890015)
(0.000000,0.000000) (11.486961,14.255401)
(11.486961,0.000000) (20.660002,14.255401)
(20.660002,0.000000) (36.733482,14.255401)

registerOperatorProcessor("cm", cmProcessor);