PDFBox：区分透明和非透明文本

Posted 2023-04-17

【中文标题】PDFBox：区分透明和非透明文本

【英文标题】：PDFBox: Differentiating between transparent and non-transparent text

【发布时间】：2021-09-22 10:49:48

【问题描述】：

我有一个任务，我必须提取图像后面的文本，并从图像本身进行 OCR 编辑。此文本是透明的。问题是有一个图像后面有文本，它不是 OCR 编辑的，它只是普通文本，它不透明。如何区分需要（透明）和不需要（不透明）的文本？

这是一个有代表性的pdf文件：https://easyupload.io/rbo333 图像 OCR 文本应在第 2、3、12 页提取，但在第 4 页也提取文本。在第 4 页，图像后面没有 OCR 文本，但图像下方有常规文本。我需要以某种方式将其过滤掉，因为我只需要 OCR 文本。

【问题讨论】：

您可能对this answer 感兴趣，它展示了忽略图像覆盖的文本的文本剥离器类的概念证明。请注意，这个答案已经很老了，所以 PDFBox 中的一些细节可能同时发生了变化。如果您无法让 VisibleTextStripper 为您工作，请回来分享一个具有代表性的 PDF 示例供我们测试。

@mkl 谢谢，我看了一下，看起来像，如果我错了，请纠正我，它根据坐标确定角色是否在图像中。现在这很好，但我已经提取了图像中的字符，因为我需要从 OCR 编辑的图像中提取可搜索的文本。所以我需要以某种方式区分“就在”图像“后面”的常规文本和“在”图像和 OCR-d 上的文本。我用代表 pdf 的链接编辑了我的问题。

您隐含地区分了这些情况。在绘制图像之前绘制“图像后面”的文本。因此，该类在处理图像时发现了该文本并将其删除。 “图像上”的文本在图像之后绘制。因此，该类将在处理图像后找到它并且不会将其删除。

请澄清。起初我以为您只想要图像未覆盖的文本。这就是引用答案中的旧类提取的内容。但你现在似乎不想要那样。也许反过来，您只想要图像覆盖的文本？还是仅在某些图像上绘制的文本？

@mkl 好吧，有些图像上有 OCR 编辑的可搜索文本。现在我只需要从文档中提取该文本，它工作正常。但是第四页上有一张图片，后面有常规文本，不是 OCR 编辑的。我需要以某种方式将该常规文本与 OCR 编辑文本区分开来。我的印象是常规文本在图像“后面”，而 OCR 编辑文本在图像“前面”，但我不确定了。

【参考方案1】：

所以图像前面或后面都有透明文本。我认为这意味着它们没有颜色，但@mkl 说它们可能有颜色，但它们是空字形。 pdf 规范还指出，即使它们是透明的，它们也可以有颜色。为了真正透明，字符既不能用描边颜色也不能用非描边颜色来渲染。

PDFBox 或 Fontbox 中有一个 RenderingMode 枚举用于此目的，它的 NEITHER 值表示某物是否透明。我可以借助 answer 提取它。

解决方案代码如下所示。

@Override
protected void processTextPosition(TextPosition character) 
    characterRenderingModes.put(character, getGraphicsState().getTextState().getRenderingMode());
    super.processTextPosition(character);

这是 PDFTextStripper 类的重写方法，它遍历页面上的每个字符并获取它们的 RenderingModes。之后，当需要时，我会根据需要检查的角色从地图中取出 RenderingModes。

【讨论】：

请注意，单独检查 RenderingMode 对某些文档有效，但对其他文档无效。 PDF 是一种非常通用的格式，通常允许多种方式来实现相同的效果。

@mkl 是的，你是对的，它并没有涵盖所有的可能性。我有多个 pdf 文件可供尝试，这种方法效果最好，但如果出现新情况，我一定会更新答案。