PDFBox:区分透明文本和非透明文本

Question

我有一个任务，在那里，我必须提取文本，是背后的图像，并已从图像本身OCR编辑。这一案文是透明的。问题是，有一个图像，它的背后有文字，不是OCR编辑的，它只是正常的文本，它是不透明的。如何区分所需(透明)和不需要(不透明)文本？

这是一个具有代表性的pdf文件：https://easyupload.io/rbo333图像OCR文本应该在第2页、第3页、第12页上提取，而文本也在第4页上提取。在第4页，图像后面没有OCR文本，但是图像下面有规则文本。我需要过滤掉它，因为我只需要OCR文本。

Answer 1

所以图片在他们前面或者后面都是透明的文字。我认为这意味着它们没有颜色，但是@mkl说它们可能有颜色，但它们是空的符号。pdf规范还指出，即使它们是透明的，它们也可以有颜色。要做到真正的透明，字符就需要渲染，而不是抚摸，也不是抚摸颜色。

在RenderingMode枚举中有一个用于此目的的Fontbox，它的既不表示某物是否透明，也不表示它是否透明。我可以在这个answer的帮助下提取它。

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/s上的每个字符并获取它们的RenderingModes。在此之后，当需要时，我根据需要检查的字符将RenderingModes从地图中提取出来。