为何PDFBox的PDFStreamEngine.processPage提取标记内容结果异常？

问题根源 #

你遇到的问题是PDF里的公式标记用了**MCID（标记内容ID，整数类型）**而非标准的COSDictionary，而默认的PDFMarkedContentExtractor只处理COSName和COSDictionary类型的标记参数，直接跳过了整数类型的MCID，导致拿不到公式对应的标记内容。

解决方案 #

要解决这个问题，需要两步：自定义操作符处理器识别MCID，再从PDF的结构树（StructTreeRoot）中关联MCID对应的标记内容。

1. 自定义MarkedContent操作符处理器 #

重写默认的BDC/BMC操作符处理逻辑，增加对整数类型MCID的识别：

public class CustomMarkedContentProcessor extends MarkedContentOperatorProcessor {
    @Override
    public void process(Operator operator, List<COSBase> arguments) throws IOException {
        COSName tag = null;
        COSDictionary properties = null;
        COSInteger mcid = null;

        for (COSBase argument : arguments) {
            if (argument instanceof COSName) {
                tag = (COSName) argument;
            } else if (argument instanceof COSDictionary) {
                properties = (COSDictionary) argument;
            } else if (argument instanceof COSInteger) {
                // 捕获MCID（整数类型的标记ID）
                mcid = (COSInteger) argument;
            }
        }

        // 如果有MCID，把它存入properties的临时键，方便后续关联
        if (mcid != null) {
            if (properties == null) {
                properties = new COSDictionary();
            }
            properties.setInt(COSName.getPDFName("MCID"), mcid.intValue());
        }

        this.context.beginMarkedContentSequence(tag, properties);
    }
}

2. 替换PDFMarkedContentExtractor的默认处理器 #

创建提取器时，替换默认的BDC和BMC操作符处理器：

PDFMarkedContentExtractor extractor = new PDFMarkedContentExtractor();
// 替换BDC操作符处理器
extractor.getOperatorProcessorMap().put(OperatorName.BEGIN_DEFINED_MARKED_CONTENT, new CustomMarkedContentProcessor());
// 替换BMC操作符处理器（如果需要）
extractor.getOperatorProcessorMap().put(OperatorName.BEGIN_MARKED_CONTENT, new CustomMarkedContentProcessor());

extractor.processPage(page);

3. 从结构树关联MCID与公式内容 #

MCID是PDF结构化内容的内部关联ID，必须通过StructTreeRoot才能找到对应的实际标记内容：

// 获取文档的结构树根节点
PDStructureTreeRoot structTreeRoot = document.getDocumentCatalog().getStructureTreeRoot();
if (structTreeRoot == null) {
    // 无结构树则无法关联MCID
    return;
}

// 遍历提取到的标记内容，通过MCID找对应结构元素
Map<Integer, PDMarkedContent> theseMarkedContents = new HashMap<>();
for (PDMarkedContent markedContent : extractor.getMarkedContents()) {
    COSDictionary properties = markedContent.getProperties();
    if (properties != null && properties.containsKey(COSName.getPDFName("MCID"))) {
        int mcid = properties.getInt(COSName.getPDFName("MCID"));
        // 从结构树中查找MCID对应的结构元素
        PDStructureElement element = structTreeRoot.findKidByMCID(mcid);
        if (element != null) {
            // 这里可以获取结构元素的标签、内容等公式相关标记信息
            System.out.println("公式标记标签：" + element.getStructureType());
            // 可根据需要提取元素内的文本或其他内容
        }
    }
    addToMap(theseMarkedContents, markedContent);
}
markedContents.put(page, theseMarkedContents);

关键说明 #

• MCID是PDF结构化内容的内部关联ID，必须通过StructTreeRoot才能找到对应的实际标记内容和结构信息
• 自定义处理器的核心是捕获整数类型的MCID，并临时存入properties中，方便后续关联
• 如果你的PDF里公式标记用的是BDC操作符，主要替换BEGIN_DEFINED_MARKED_CONTENT的处理器即可

内容的提问来源于stack exchange，提问作者fascinating coder