问为什么itext5生成通过Acrobat不可见的文本？

EN

从…的结合

我惊讶地看到，itext5 (使用自定义位置策略)仍然在复制裁剪后遗漏的所有文本。

以及你的代码片段

公共类MyLocationTextExtractionStrategy : LocationTextExtractionStrategy { public void RenderText(TextRenderInfo renderInfo) { string text = renderInfo.GetText()；}

我假设您实际上感到惊讶的是，在您的RenderText方法的MyLocationTextExtractionStrategy中，您检索了超出裁剪框的文本TextRenderInfo对象。

但这是很自然的！您的RenderText方法实现了IRenderListener接口的方法，并且对页面内容中的每个匹配的绘图指令调用该接口的方法，不管它们的结果最终是否是可见的。

我怎样才能让它5检测和忽略这样的隐藏文本？

通过根据当前文档页的裁剪框的坐标检查文本坐标，可以很容易地检测和忽略裁剪框外的文本。

iText实际上包含一个过滤器架构，它允许排除文本块以达到不满足某些标准的策略。

如果你现在就像这样使用你的策略：

MyLocationTextExtractionStrategy strategy = new MyLocationTextExtractionStrategy();
PdfTextExtractor.GetTextFromPage(pdfReader, 1, strategy);

您可以像这样应用麦田框区域筛选器：

MyLocationTextExtractionStrategy strategy = new MyLocationTextExtractionStrategy();
FilteredTextRenderListener strategyWithFilter = new FilteredTextRenderListener(strategy,
        new RegionTextRenderFilter(pdfReader.GetCropBox(1)));
PdfTextExtractor.GetTextFromPage(pdfReader, 1, strategyWithFilter);

作为旁白：

我要文档中所有可见的文本。当我说“可见”时，我指的是通过可见的文本。我不想将文本限制在任何具体领域。所有可见的文字。

• 文本可以不可见，除了超出麦田框的边界之外，还有许多其他原因。

- it may be drawn in the same color as the background, e.g. white on white,
- some setting or operation may transform text color and background color to  the same color even though they may differ originally,
- a text rendering mode may be used that doesn't draw anything to start with,
- the glyphs of the font used for the text may be invisible,
- the text may be covered by some image,
- ...

文本提取将提取所有那些“看不见的”文本片段。

(在一定程度上，您可以扩展文本提取框架以识别这一点，在堆栈溢出的情况下，您可以在这里找到关于此类扩展的许多问题和答案，但总会有一些情况您没有涵盖。)

• 此外，案文可能只涉及部分内容。例如，考虑字母'R‘和一些覆盖'R’右腿的白色矩形的情况，使它看起来像'P‘ 文本提取将返回'R‘，即使Adobe显示一些您认为是'P’的东西。
• 字体可能包含不完整或完全错误的信息，其中之一的Unicode字符对应于该信息。 文本提取将返回使用这种字体的文本的错误输出，或者可能根本没有输出。
• PDF中的文本可能不是使用文本绘图说明绘制的，而是使用矢量图形(如任意表单)绘制的。 文本提取根本不会提取这样的“文本”。
• ..。

如果这些问题是您的节目停止，文本提取是错误的技术，您应该使用OCR代替。