问使用PDFBox读取文本和图像位置(x.y坐标)

EN

看看org.apache.pdfbox.examples.util.PrintTextLocations吧。我用过很多次，它对分析PDF文档中元素和边界框的布局非常有帮助。它还显示了用白色墨水打印的项目，或者在可打印区域之外的项目(可能是文档水印，或者被作者推到视线之外的“被遗忘的”项目)。

使用示例：

java -cp app/target/pdfbox-app-1.5.0.jar org.apache.pdfbox.examples.util.PrintTextLocations ~/tmp/mydoc.pdf >~/tmp/out-text-locations.txt

你会得到类似这样的东西：

Processing page: 0
String[53.9,59.856995 fs=-6.0 xscale=6.0 height=-3.666 space=1.3320001 width=4.6679993]A
String[58.568,59.856995 fs=-6.0 xscale=6.0 height=-3.666 space=1.3320001 width=2.6640015]f
String[61.232002,59.856995 fs=-6.0 xscale=6.0 height=-3.666 space=1.3320001 width=1.6679993]e
...

您可以很容易地解析并使用它来绘制元素的位置、边界框和每个页面的“流”(通过所有元素的轨迹)等。我相信你已经知道了，你会发现PDF几乎不可能转换成文本。它实际上只是一种图形描述格式(即用于打印机或屏幕)，而不是一种标记语言。您可以很容易地制作一个打印"Hello world“的PDF，但它会在字符位置之间随机跳转(并且使用与任何ISO字符编码不同的字形，如果您这样选择的话)，这使得PDF很难转换为文本。没有“单词”或“段落”的概念。例如，一个包含两列的文档对于解析成文本来说可能是一场噩梦。

对于您的问题的第二部分，在修复Xref.cc (使XRef::okToPrint()、XRef::okToChange()、XRef::okToCopy()和XRef::okToAddNotes()都返回gTrue)之后，我使用xpdf3.02版得到了很好的结果。这是为了处理锁定的文档，而不是加密的文档(有其他实用程序可以做到这一点)。