文件示例:file 。
问题 - 使用 PdfTextStripper 提取文本时，页面开头的“ASSETS”后面有标记“9/1/2017”和“387986”(应删除)，以及其他一些隐藏标记。
我已经申请了this解决方案(所以我不会在这里复制粘贴它，因为实际上问题完全相同)并且隐藏的文本仍然出现在页面上。除了剪辑路径之外，它会被其他东西隐藏吗？ 谢谢!
最佳答案
Could it be hidden by something else except clip path?
是的。如果您的新文档的文本是白底白字，例如ASSETS 之后的 387986 绘制如下:
1 1 1 rg
/TT0 16 Tf
-1011.938 115.993 Td
(@A,BAC)Tj
初始的1 1 1 rg将填充颜色设置为RGB WHITE。 (此外，该文本非常小，但如果用黑色等绘制，仍然可见。)
solution您提到的文档是针对该问题中提供的示例文档之类的文档实现的，其中通过定义剪辑路径(在文本的边界之外)和填充路径(隐藏下面的文本)使不可见文本变得不可见. 因此，您的白色文本不会被识别为隐藏文本。
不幸的是，识别白色文本上白色的不可见性比剪切或覆盖文本更难确定，因为人们不仅需要知道当前图形状态的属性(如剪切路径)或删除文本中的所有文本给定路径，还需要在绘制文本之前知道页面部分的颜色(以检查“白色”细节)。
另一方面，如果您假设页面背景本质上是白色，则忽略所有白色文本相当简单:只需在 processTextPosition 中检测当前填充颜色即可:
PDColor fillColor = gs.getNonStrokingColor();
并将其与您想要视为不可见的白色口味进行比较。 (通常它足以与 RGB、CMYK 和灰度白色进行比较；在极少数情况下，您还必须正确解释更复杂的颜色空间。此外，您还可能认为几乎白色不可见，(.99、.99、. 99) RGB 与 WHITE 几乎无法区分。)
如果您发现当前颜色为白色，请忽略当前的 TextPosition。
但请注意，就像您引用的解决方案一样，这还不是识别所有白色文本的最终解决方案:为此，您还必须检查文本渲染模式:如果它只是填充(默认)，上面的内容成立，但如果它(也)抚摸，你(也)必须考虑抚摸颜色；如果它呈现为不可见，则无需考虑颜色；如果文本渲染模式包括添加到剪切路径，那么只要剪切路径保持不变，您就必须等待并确定稍后将在页面的这部分中绘制什么，这绝对不是小事!
关于java - 再次有来自 PdfTextStripper 的不可见文本，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/48828500/