Java 为什么我的PDF中有不可见的字符？我如何用PDFBox过滤掉它们？

我使用PDFBox通过扩展从文档中提取文本。我注意到其中一些文档包含正在提取的不可见字符。我想过滤掉这些看不见的字符

我看到在这方面已经有一些stackoverflow帖子，例如：

我尝试对

PDFVisibleTextStripper

类进行子类化，发现如下：

然而，我发现这个过滤掉的文本实际上是可见的。我用它来代替

PDFTextStripper

package com.example.foo；
导入org.apache.pdfbox.pdmodel.PDDocument；
导入org.apache.pdfbox.text.PDFTextStripper；
导入org.apache.pdfbox.text.TextPosition；
导入java.io.ByteArrayOutputStream；
导入java.io.IOException；
导入java.io.OutputStreamWriter；
导入java.io.Writer；
导入java.util.List；
公共类ExtractChars扩展PDFVisibleTextStripper{
处理器；
公共静态无效提取（PDDocument文档、处理器）引发IOException{
ExtractChars实例=新建ExtractChars（）；
instance.processor=处理器；
实例.setSortByPosition（true）；
实例.setStartPage（0）；
setEndPage（document.getNumberOfPages（））；
ByteArrayOutputStream=新建ByteArrayOutputStream（）；
Writer streamWriter=新的OutputStreamWriter（流）；
writeText（文档，streamWriter）；
}
ExtractChars（）引发IOException{}
受保护的void writeString（String _String，List textPositions）引发IOException{
用于（文本位置文本：文本位置）{
浮动高度=text.getHeightDir（）；
String character=text.getUnicode（）；
int pageIndex=getCurrentPageNo（）-1；
float left=text.getXDirAdj（）；
float right=left+text.getWidthDirAdj（）；
float bottom=text.getYDirAdj（）；
浮动顶部=底部-高度；
BoundingBox=新的边界框（页面索引、左、右、上、下）；
此.processor.process（字符、方框）；
}
}
公共接口处理器{
作废处理（字符串、边框）；
}
}

我不知道在我的子类中是否有什么需要修改的地方，以使其正确工作。如果有帮助的话，我可以提供一个展示这种行为的PDF，尽管它包含敏感内容，所以我需要先删除它

相反，我创建了一个最小的示例（如下），展示了我所看到的“看不见的文本”行为。项目符号列表在'24'末尾包含一个项目。a、 '可以在PDF查看器（如macOS预览和复制粘贴）中突出显示

此“a.”当前正由

PDFTextStripper

提取，我不希望这样。我真的不明白为什么会这样。我的猜测可能与剪辑有关，但如果有人能解释发生了什么，我将不胜感激

我的最终目标是过滤掉这些字符，因此如果您对我如何以最简单的方式处理这个具体案例有任何建议，我们将不胜感激。我不认为我需要

PDFVisibleTextStripper

中的所有常规方法

非常感谢

%PDF-1.3

1 0 obj
<<
  /Type /Catalog
  /Pages 2 0 R
>>
endobj

2 0 obj
<<
  /Type /Pages
  /Kids [3 0 R]
  /Count 1
  /MediaBox [0 0 612 792]
>>
endobj

3 0 obj
<<
  /Type /Page
  /Parent 2 0 R
  /Resources 4 0 R
  /Contents 6 0 R
  /MediaBox [0 0 612 792]
>>
endobj

4 0 obj
<<
  /Font <<
    /TT2 5 0 R
  >>
>>
endobj

5 0 obj
<<
  /BaseFont
  /OXRDVC+Helvetica
  /Subtype /TrueType
  /Type /Font
>>
endobj

6 0 obj
<<
>>
stream
q 0 54 612 648 re W n /Cs1 cs 0 0 0 sc
q 1 0 0 0.8181818 0 54 cm Q
q 48 93.30545 516 569.4218 re W n /Cs1 cs 1 1 1 sc 48 93.30545 516 569.4218 re f 0 0 0 sc
q 1 0 0 0.8181818 0 54 cm BT 7.99 0 0 7.99 66.86 589.28 Tm /TT2 1 Tf (24.  ) Tj ET Q
q 1 0 0 0.8181818 0 54 cm BT 7.99 0 0 7.99 96.86 40.39 Tm /TT2 1 Tf (a.  ) Tj ET Q 
endstream
endobj

trailer
<<
  /Root 1 0 R
>>

%%EOF

%PDF-1.3
10 obj
>
endobj
20 obj
>
endobj
30 obj
>
endobj
40 obj
>>
endobj
50 obj
>
endobj
60 obj
>
流动
q 0 54 612 648 re W n/Cs1 cs 0 0 sc
q 1 0 0.81818 0 54厘米q
q 48 93.30545 516 569.4218 re W n/Cs1 cs 1 1 sc 48 93.30545 516 569.4218 re f 0 0 sc
q 1 0 0 0.81818 0 54厘米BT 7.99 0 7.99 66.86 589.28 Tm/TT2 1 Tf（24.）Tj ET q
q 1 0 0 0.81818 0 54厘米BT 7.99 0 7.99 96.86 40.39 Tm/TT2 1 Tf（a.）Tj ET q
尾流
endobj
拖车
>
%%EOF

我知道发生了什么。PDF包含不包含“a”的剪切矩形。我试着使用

PDFVisibleTextStripper

，但它在其他文档的其他地方剥离了实际上可见的文本

最后，我编写了一个继承自

PageDrawer

的类，并实现了

showGlyph

方法来访问页面上绘制的字符。此方法检查字符的边界框是否在

getGraphicsState（）.getCurrentClippingPath（）.getBounds2D（）

之外

不幸的是，这意味着我不再使用

PDFTextStripper

，因此我必须重新实现它的一些行为，例如按位置对字符进行排序（我使用的是

setSortByPosition（true）

）。根据字体大小和位移计算字符的正确边界框也有点棘手

ExtractChars.java

package com.example.foo；
导入org.apache.pdfbox.pdmodel.*；
导入org.apache.pdfbox.pdmodel.font.*；
导入org.apache.pdfbox.rendering.*；
导入org.apache.pdfbox.util.*；
导入org.apache.pdfbox.util.Vector；
导入java.awt.geom.*；
导入java.io.*；
//此类有效地呈现PDF文档以提取其内容
//文本。它截取PageDrawer提供的showGlyph函数。我们过去
//使用PDFTextStripper，但无法排除剪裁字符。
公共类ExtractChars扩展PageDrawerRhelper{
//跳过小于此高度的错误字符。这可能永远不会发生
//但是代码中有些地方是按高度划分的，所以要小心。
静态最终浮动最小字符高度=0.01f；
处理器；
ExtractChars（PageDroperParameters参数、浮点pageHeight、int pageIndex、处理器）引发IOException{
超级（参数、页面高度、页面索引）；
this.processor=处理器；
}
//我们无法将此方法向上移动到超类，因为渲染器是
//每次都不同。它需要构建当前类的实例。
公共静态无效提取（PDDocument文档、处理器）引发IOException{
渲染器=新的渲染器（文档）；
proc.proc