PDFBox：来自 PdfTextStripper 的不可见文本（不是剪辑路径或颜色问题）

Question

文件示例：test

在 table 的第 2 行，在“3500 RENT”之后 PdfTextStripper 返回了 2 个文本标记（“1”、“1”），但实际上在原始PDF。我知道它可能是一个剪辑路径（比如 post here) or a color issue (like in the post ）。

但是，在这种情况下，它看起来像是通过其他方式隐藏的...剪辑路径不重叠，并且这些标记的颜色为黑色。

还能是什么？

Answer 1

这是颜色问题，'1' 打印成白色。

使情况有点特别的是，正在使用的ColorSpace不是您的off-the-shelfDeviceRGB或DeviceGray 但是 Separation 颜色 space，以及 Separation 颜色中的颜色值 space s 始终被视为减色。因此，0.0 的色调值表示使用给定着色剂可以获得的最浅颜色，1.0 表示最暗。此约定与 DeviceCMYK 颜色分量相同，但与 DeviceGray 和 DeviceRGB 的约定相反。

（参见 ISO 32000-1 第 8.6.6.4 节“分离色彩空间”）

内景

您的内容流是这样开始的：

/Cs8 cs 1 scn

Cs8是分离颜色space:

/Cs8 [/Separation /Black [/ICCBased 17 0 R] 18 0 R]

带有 ICCBased 备用 space 又具有 DeviceRGB 作为备用 space

17 0 obj
<<
/Length 2597
/Alternate /DeviceRGB
/Filter /FlateDecode
/N 3
>>
stream
[...ICC profile...]
endstream
endobj

以及通过样本到替代颜色的色调变换 space

18 0 obj
<<
/Length 779
/BitsPerSample 8
/Decode [0 1 0 1 0 1]
/Domain [0 1]
/Encode [0 254]
/Filter /FlateDecode
/FunctionType 0
/Range [0 1 0 1 0 1]
/Size [255]
>>
stream
[...255 samples from (255,255,255) to (35,31,32)...]
endstream
endobj

您的内容流继续绘制 headers 和第一行的开头，然后是

/TT2 1 Tf
0 scn
13.559 0 TD
6.8438 Tc
<00140014>Tj
1 scn

0 scn 将颜色设置为最浅 Cs8 BLACK 分离颜色，由样本映射到屏幕上的 (255,255,255)，这将是非常白的，6.8438 Tc设置大字符间距（导致两个'1'之间的空隙），<00140014>Tj绘制两个'1'，1 scn切换回最暗的Cs8 BLACK 分离颜色由样本映射到屏幕上的 (35,31,32)，这将是一种非常深的灰色。

使用 PDFBox

在评论中你说

when I debug it in processTextPosition(TextPosition text), gs.getNonStrokingColor() has same value for those "1" tokens as for others tokens and is actually black

要使用 PDFBox 识别这一点，您必须告诉它 PDFTextStripper 寻找通用颜色 space 选择和颜色选择运算符 cs 和 scn 并扩展 processTextPosition 就像这样 proof-of-concept:

PDFTextStripper stripper = new PDFTextStripper() {
    @Override
    protected void processTextPosition(TextPosition text) {
        PDGraphicsState gs = getGraphicsState();
        PDColor color = gs.getNonStrokingColor();
        float[] currentComponents = color.getComponents();
        if (!Arrays.equals(components, currentComponents)) {
            System.out.print(Arrays.toString(currentComponents));
            components = currentComponents;
        }
        System.out.print(text.getUnicode());
        super.processTextPosition(text);
    }
    
    float[] components;
};

stripper.addOperator(new SetNonStrokingColorSpace());
stripper.addOperator(new SetNonStrokingColorN());

(ExtractText 测试 testTestSeparation)

有了这些设置，您就可以得到

[1.0]TenantLeaseStart ... 3,500.00RENT[0.0]11[1.0]16,133.33

如您所见，颜色分量以 1.0 开头，对于两个“1”，它是 0.0，此后它再次变为 1.0，直到下一个运行不可见的“1”。

PDFBox：来自 PdfTextStripper 的不可见文本（不是剪辑路径或颜色问题）

PDFBox: Invisible text from PdfTextStripper (not clip path or color issue)

java

pdf

pdfbox

内景

使用 PDFBox