如何解决PDFBox提取PDF文本时的顺序混乱问题？

问题根源 #

PDF文件中的文本并非按视觉阅读顺序存储，而是按照内容的绘制顺序（比如先绘制左侧列再绘制右侧列，或先绘制图片再绘制文本）存储。默认的PDFTextStripper会直接按这个绘制顺序输出文本，遇到多列、浮动元素等复杂布局时，就会出现提取顺序混乱的情况。

解决方案 #

1. 启用位置排序（常规布局首选） #

PDFTextStripper内置了按坐标位置排序的功能，通过setSortByPosition(true)方法，可让文本优先从上到下（y坐标从高到低）、从左到右（x坐标从低到高）排列，这能解决大多数单页、单列PDF的提取问题。

修改后的代码：

PDDocument document = PDDocument.load(file);
PDFTextStripper textStripper = new PDFTextStripper();
textStripper.setSortByPosition(true); // 开启按位置排序
String[] auxTxt = textStripper.getText(document).split("\\r?\\n");

2. 自定义排序逻辑（复杂多列布局） #

如果启用位置排序后仍有问题（比如多列PDF的文本被跨行拼接），可以继承PDFTextStripper，收集每个文本块的位置信息，实现完全自定义的排序逻辑。

示例自定义剥离器：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;

import java.io.IOException;
import java.util.ArrayList;
import java.util.Collections;
import java.util.List;

public class ColumnAwareTextStripper extends PDFTextStripper {
    private final List<TextPosition> textPositionList = new ArrayList<>();

    public ColumnAwareTextStripper() throws IOException {
        super();
    }

    @Override
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException {
        // 收集所有文本块的位置信息
        textPositionList.addAll(textPositions);
    }

    public String getSortedText() {
        // 先按y坐标降序（从上到下），再按x坐标升序（从左到右）排序
        Collections.sort(textPositionList, (tp1, tp2) -> {
            int yComparison = Double.compare(tp2.getY(), tp1.getY());
            if (yComparison != 0) {
                return yComparison;
            }
            return Double.compare(tp1.getX(), tp2.getX());
        });

        // 拼接排序后的文本
        StringBuilder result = new StringBuilder();
        for (TextPosition tp : textPositionList) {
            result.append(tp.getUnicode());
        }
        return result.toString();
    }
}

使用方式：

PDDocument document = PDDocument.load(file);
ColumnAwareTextStripper stripper = new ColumnAwareTextStripper();
stripper.getText(document); // 触发文本收集
String sortedText = stripper.getSortedText();
String[] auxTxt = sortedText.split("\\r?\\n");

3. 多列布局进阶优化 #

如果PDF是严格的多列布局，可进一步细化逻辑：

• 按y坐标分组，将同一行的文本块归为一组
• 对每组文本块按x坐标范围判断所属列
• 按列顺序依次拼接每行的文本

这种方式需要根据PDF的实际列宽、间距调整坐标判断规则，确保列内文本顺序正确。

总结 #

• 常规布局：直接使用setSortByPosition(true)即可快速解决顺序问题
• 复杂布局：通过自定义PDFTextStripper子类，基于文本块的坐标位置实现排序逻辑，确保提取顺序符合视觉阅读顺序

内容的提问来源于stack exchange，提问作者gbossa