如何从PDF页面仅提取可见文本？解决iText提取含隐藏文本问题

我使用iText提取PDF文本时，结果中混入了页面不可见的内容（如文件生成痕迹、草稿页码、时间戳等），只需要提取页面上实际显示的可见文本。原尝试的代码如下：

public static void iTextExample() {
    String pdfFilePath = "path_to_pdf_file.pdf";
    try {
        PdfReader reader = new PdfReader(pdfFilePath);
        int pageNo = 10;
        String pageContent = PdfTextExtractor.getTextFromPage(reader,pageNo);
        System.out.println("Page Content: \n" + pageContent);
        reader.close();
    } catch (IOException e) {
        e.printStackTrace();
    }
}

解决方法 #

1. 自定义文本提取策略过滤隐藏文本

iText默认会读取PDF中所有文本内容，不管是否可见。可以通过自定义FilteredTextEventListener，根据隐藏文本的特征（如包含特定标识、颜色异常）进行过滤：

import com.itextpdf.kernel.pdf.PdfDocument;
import com.itextpdf.kernel.pdf.PdfReader;
import com.itextpdf.kernel.pdf.canvas.parser.PdfCanvasProcessor;
import com.itextpdf.kernel.pdf.canvas.parser.listener.FilteredTextEventListener;
import com.itextpdf.kernel.pdf.canvas.parser.listener.LocationTextExtractionStrategy;
import com.itextpdf.kernel.pdf.canvas.parser.data.TextRenderInfo;
import com.itextpdf.kernel.colors.ColorConstants;

import java.io.IOException;

public class VisibleTextExtractor {
    public static void main(String[] args) throws IOException {
        String pdfFilePath = "path_to_pdf_file.pdf";
        PdfReader reader = new PdfReader(pdfFilePath);
        PdfDocument pdfDoc = new PdfDocument(reader);

        // 自定义过滤规则：剔除含特定标识、时间戳的隐藏文本，同时过滤白色文本
        FilteredTextEventListener filteredStrategy = new FilteredTextEventListener(
                new LocationTextExtractionStrategy(),
                renderInfo -> {
                    String text = renderInfo.getText().trim();
                    // 过滤包含.indd的文件痕迹、页码标识、时间戳格式内容
                    if (text.contains(".indd") || text.startsWith("Page ") || text.matches("\\d+/\\d+/\\d+.*")) {
                        return false;
                    }
                    // 过滤与背景色一致的白色文本
                    return !renderInfo.getFillColor().equals(ColorConstants.WHITE);
                }
        );

        PdfCanvasProcessor processor = new PdfCanvasProcessor(filteredStrategy);
        processor.processPageContent(pdfDoc.getPage(10));
        String visibleContent = ((LocationTextExtractionStrategy) filteredStrategy.getDelegateStrategy()).getResultantText();

        System.out.println("可见页面内容:\n" + visibleContent);

        pdfDoc.close();
        reader.close();
    }
}

2. 结合OCR提取可见文本（针对文本层混乱的PDF）

如果PDF的文本层本身存在大量无效隐藏内容，直接提取文本层效果不佳，可以先将PDF页面转为图片，再用OCR工具（如Tesseract）识别视觉可见的内容，完全规避文本层的隐藏信息问题。

说明 #

你遇到的隐藏文本多是PDF生成工具（如InDesign）留下的残留元数据，通过针对性的过滤规则可以精准剔除这类内容。

内容的提问来源于stack exchange，提问作者Aakash