PDFBox - 2.0.3 - PDFTextStripper 从 cropping/rotating 之前的页面中提取旧文本
PDFBox - 2.0.3 - PDFTextStripper picking up old text from page prior to cropping/rotating
我正在尝试通过使用 Apache PDFBox 对文件中的各个 PDF 页面执行一些字符串验证。
我将使用 PDFTextStripper 来完成其中的大部分工作，所以我要解决的第一个问题是我要验证的所有 PDF 都是 2up 生成的；例如，第 1 页（共 2 页）和第 2 页（共 2 页）在同一页上，或者如果您想象自己将一本书面朝下扫描到扫描仪中 - 除此之外，它们的方向不正确，需要旋转 90 度以便 PDFTextStripper 可以读取它们正确。
使用下面的元素questions/solutions，我建立了一个方法，首先将页面精确地裁剪成两半，将裁剪的页面导出到一个新文件，将每个页面旋转到正确的方向，然后保存文件；
在视觉上，我的方法似乎按预期工作，直到我 运行 PDFTextStripper 反对它 - 它似乎不仅返回我想要的页面的文本，还返回我从中裁剪的页面的文本。
为了确认这个问题，我从整个文档中提取了一页并将其另存为一个新文件 - 运行使用 PDFTextStripper 时，我仍然得到相同的结果，尽管我只能看到实际上是一页。 Adobe 搜索也不会显示隐藏的遗留数据。
我只能假设在我的转换方法中，我需要重新定义裁剪页面，只包含裁剪页面的内容。
我的问题是，我该怎么做？
p.s - 我没有发布我的代码，因为它基本上是上述链接中提供的解决方案的合并 - 但是如果我需要，我可以提供
PDFTextStripper忽略您设置的CropBox裁剪页面。它还会忽略文本是否被填充的矩形或图像覆盖，或者文本是否不可见，它会提取所有文本（图案中的文本或包含 Type 3 字体字符的文本除外）。
您可能想试试 PDFTextStripperByArea。此 class（派生自 PDFTextStripper）将自身限制在您可以定义的区域。
（不幸的是，这些区域必须使用与用于 CropBox 的坐标系不同的坐标系来定义，因此通常您必须先转换坐标。）
我正在尝试通过使用 Apache PDFBox 对文件中的各个 PDF 页面执行一些字符串验证。
我将使用 PDFTextStripper 来完成其中的大部分工作，所以我要解决的第一个问题是我要验证的所有 PDF 都是 2up 生成的；例如，第 1 页（共 2 页）和第 2 页（共 2 页）在同一页上，或者如果您想象自己将一本书面朝下扫描到扫描仪中 - 除此之外，它们的方向不正确，需要旋转 90 度以便 PDFTextStripper 可以读取它们正确。
使用下面的元素questions/solutions，我建立了一个方法，首先将页面精确地裁剪成两半，将裁剪的页面导出到一个新文件，将每个页面旋转到正确的方向，然后保存文件；
在视觉上，我的方法似乎按预期工作，直到我 运行 PDFTextStripper 反对它 - 它似乎不仅返回我想要的页面的文本，还返回我从中裁剪的页面的文本。
为了确认这个问题，我从整个文档中提取了一页并将其另存为一个新文件 - 运行使用 PDFTextStripper 时，我仍然得到相同的结果，尽管我只能看到实际上是一页。 Adobe 搜索也不会显示隐藏的遗留数据。
我只能假设在我的转换方法中，我需要重新定义裁剪页面，只包含裁剪页面的内容。
我的问题是，我该怎么做？
p.s - 我没有发布我的代码，因为它基本上是上述链接中提供的解决方案的合并 - 但是如果我需要，我可以提供
PDFTextStripper忽略您设置的CropBox裁剪页面。它还会忽略文本是否被填充的矩形或图像覆盖，或者文本是否不可见，它会提取所有文本（图案中的文本或包含 Type 3 字体字符的文本除外）。
您可能想试试 PDFTextStripperByArea。此 class（派生自 PDFTextStripper）将自身限制在您可以定义的区域。
（不幸的是，这些区域必须使用与用于 CropBox 的坐标系不同的坐标系来定义，因此通常您必须先转换坐标。）