使用PDFBox从PDF中获取文本行的边界框

Question

有没有办法使用PDFBox获取文本行的边界框？

Answer 1

如果要计算生成文本行的内容流（或任何其他内容流）的边界框，则必须处理内容流并跟踪正在绘制的区域的边界。你不必真的画这一页。

为此，应扩展PDFStreamEngine并覆盖所有构造路径（包括剪裁路径）、填充和/或绘制路径以及显示图示符的方法。请注意，PDFBox 2.0.0提供了新的子类org.apache.pdfbox.contentstream.PDFGraphicsStreamEngine，这应该会让您的任务更容易，但您也应该能够用1.8.x实现这一点——这只需要多花一点力气。参见org.apache.pdfbox.rendering.PageDrawer和org.apache.pdfbox.examples.rendering.CustomGraphicsStreamEngine了解PDFStreamEngine的示例实现。

还要注意，还有文本呈现模式3，其中文本操作符既不笔划也不填充字形（不可见文本）。这取决于您，您是否将在此模式中显示的文本视为绘画。透明颜色的填充或笔划操作也是如此。

Answer 2

对于所有其他正在寻找简单解决方案的人：扩展org.apache.pdfbox.text.PDFTextStripper并覆盖其成员函数writeString(String, List<TextPosition>)。

Answer 3

您可以创建扩展PDFTextStripper并覆盖protected void writeString(String text, List<TextPosition> textPositions)的CustomPDFTextStripper。在这种替代方法中，您需要从List<TextPosition>计算边界框的坐标。你可以查看我的答案https://stackoverflow.com/a/62966618/2598453在这里，您还可以找到为每个单词获取边界框的有效解决方案。