PDFBox에서 스트립하는 경우의 텍스트 좌표

Question

PDFBox를 사용하여 PDF 파일의 좌표로 텍스트를 추출하려고합니다.

인터넷 (stackoverflow 너무)에서 발견 된 몇 가지 방법/정보를 섞어 보았지만 문제는 내가 좌표가 맞지 않습니다. 예를 들어, tex 위에 직사각형을 그릴 때 좌표를 사용하려고하면 rect가 다른 곳에 그려집니다.

이

은

TextLine.java

import java.util.List; 
    import org.apache.pdfbox.text.TextPosition; 

    /** 
    * 
    * @author samue 
    */ 
    public class TextLine { 
     public List<TextPosition> textPositions = null; 
     public String text = ""; 
    } 

myStripper.java

import java.io.IOException; 
    import java.util.ArrayList; 
    import java.util.List; 
    import org.apache.pdfbox.pdmodel.PDDocument; 
    import org.apache.pdfbox.pdmodel.PDPage; 
    import org.apache.pdfbox.text.PDFTextStripper; 
    import org.apache.pdfbox.text.TextPosition; 

    /* 
    * To change this license header, choose License Headers in Project Properties. 
    * To change this template file, choose Tools | Templates 
    * and open the template in the editor. 
    */ 

    /** 
    * 
    * @author samue 
    */ 
    public class myStripper extends PDFTextStripper { 
     public myStripper() throws IOException 
     { 
     } 

     @Override 
     protected void startPage(PDPage page) throws IOException 
     { 
      startOfLine = true; 
      super.startPage(page); 
     } 

     @Override 
     protected void writeLineSeparator() throws IOException 
     { 
      startOfLine = true; 
      super.writeLineSeparator(); 
     } 

     @Override 
     public String getText(PDDocument doc) throws IOException 
     { 
      lines = new ArrayList<TextLine>(); 
      return super.getText(doc); 
     } 

     @Override 
     protected void writeWordSeparator() throws IOException 
     { 
      TextLine tmpline = null; 

      tmpline = lines.get(lines.size() - 1); 
      tmpline.text += getWordSeparator(); 

      super.writeWordSeparator(); 
     } 


     @Override 
     protected void writeString(String text, List<TextPosition> textPositions) throws IOException 
     { 
      TextLine tmpline = null; 

      if (startOfLine) { 
       tmpline = new TextLine(); 
       tmpline.text = text; 
       tmpline.textPositions = textPositions; 
       lines.add(tmpline); 
      } else { 
       tmpline = lines.get(lines.size() - 1); 
       tmpline.text += text; 
       tmpline.textPositions.addAll(textPositions); 
      } 

      if (startOfLine) 
      { 
       startOfLine = false; 
      } 
      super.writeString(text, textPositions); 
     } 

     boolean startOfLine = true; 
     public ArrayList<TextLine> lines = null; 

    } 

를 (단지 테스트하기 위해 매우 빠른 기록 된 스타일을 판단하지 마십시오) 내 코드입니다

AWT 버튼을 클릭 이벤트

private void jButton1MouseClicked(java.awt.event.MouseEvent evt) {          
    // TODO add your handling code here: 
    try { 
     File file = new File("C:\\Users\\samue\\Desktop\\mwb_I_201711.pdf"); 
     PDDocument doc = PDDocument.load(file); 

     myStripper stripper = new myStripper(); 

     stripper.setStartPage(1); // fix it to first page just to test it 
     stripper.setEndPage(1); 
     stripper.getText(doc); 

     TextLine line = stripper.lines.get(1); // the line i want to paint on 

     float minx = -1; 
     float maxx = -1; 

     for (TextPosition pos: line.textPositions) 
     { 
      if (pos == null) 
       continue; 

      if (minx == -1 || pos.getTextMatrix().getTranslateX() < minx) { 
       minx = pos.getTextMatrix().getTranslateX(); 
      } 
      if (maxx == -1 || pos.getTextMatrix().getTranslateX() > maxx) { 
       maxx = pos.getTextMatrix().getTranslateX(); 
      } 
     } 

     TextPosition firstPosition = line.textPositions.get(0); 
     TextPosition lastPosition = line.textPositions.get(line.textPositions.size() - 1); 

     float x = minx; 
     float y = firstPosition.getTextMatrix().getTranslateY(); 
     float w = (maxx - minx) + lastPosition.getWidth(); 
     float h = lastPosition.getHeightDir(); 

     PDPageContentStream contentStream = new PDPageContentStream(doc, doc.getPage(0), PDPageContentStream.AppendMode.APPEND, false); 

     contentStream.setNonStrokingColor(Color.RED); 
     contentStream.addRect(x, y, w, h); 
     contentStream.fill(); 
     contentStream.close(); 

     File fileout = new File("C:\\Users\\samue\\Desktop\\pdfbox.pdf"); 
     doc.save(fileout); 
     doc.close(); 
    } catch (Exception ex) { 

    } 
}          

제안 사항? 내가 도대체 ​​뭘 잘못하고있는 겁니까?

Answer 1

이는 좌표 정규화가 과도한 PdfTextStripper의 또 다른 경우입니다. 당신처럼 나는 (getX() 및 getY 대신)을 사용하여 하나의 실제 좌표를 얻을 것이라고 생각했지만,이 매트릭스 값도 수정해야합니다 (적어도 PDFBox 2.0.x에서는 1.8을 체크하지 않았습니다. .x) 행렬에 자르기 상자의 왼쪽 아래 모서리를 만드는 변환이 곱해지기 때문입니다.

따라서 상자 (자르기 상자의 왼쪽 하단이 원점이 아닌 경우)에서 값을 수정해야합니다.

 PDRectangle cropBox = doc.getPage(0).getCropBox(); 

     float x = minx + cropBox.getLowerLeftX(); 
     float y = firstPosition.getTextMatrix().getTranslateY() + cropBox.getLowerLeftY(); 

대신

에 의해

 float x = minx; 
     float y = firstPosition.getTextMatrix().getTranslateY(); 

를 교체하여 지금 얻을

분명히, 그러나, 당신은 또한 다소 높이를 수정해야합니다.

// 1/2 the bbox is used as the height todo: why? 
    float glyphHeight = bbox.getHeight()/2; 

(LegacyPDFStreamEngine에서 showGlyph(...)에서, PdfTextStripper의 부모 클래스) 글꼴의 경계 상자가 실제로 일반적으로 너무 큰 반면

반 : 방법에 PdfTextStripper 텍스트의 높이를 결정 때문이다 그것으로 충분하지 않습니다.