基于标记顺序调整PDF内容流文本顺序的Itext/PDFBox实现问询

• PDF内容流的文本绘制顺序随机，文本可放置在页面任意位置，导致内容顺序不符合人类阅读逻辑
• 部分屏幕阅读器（如Orbit Note、Read & Write）读取PDF时，会按照内容面板顺序而非标记定义的逻辑顺序读取
• Adobe标记内容时，内容面板顺序会依据标记顺序（如MCID顺序）排序，需实现相同效果：
  • 明确知晓文本应遵循的阅读逻辑顺序
  • 已获取每个Tj操作的BBOX（矩形区域）及图形状态信息
• 疑问：是否可通过iText或PDFBox调整PDF内容流顺序并保存？若无法直接实现，重写这些库的部分文件能否达成目标？

附尝试但未生效的PDFBox代码：

@Component
public class Contentorder {
@Autowired
public static List<Object> sortContentByMCID(List<Object> tokens)         
{
    int min = 2147483647;// max integer value
    int max = 0;
    Map<Integer, ArrayList> indexes = new HashMap<>();
//        ArrayList<ArrayList> indexes = new ArrayList<ArrayList>();
    ArrayList indices = new ArrayList();
    for (int ind=0; ind < tokens.size(); ind++) {
        if (tokens.get(ind) instanceof Operator) {
            Operator op = (Operator) tokens.get(ind);
            if(op.getName().equals("EMC") && indices.size() == 2){
                indices.add(ind+1);
                int key = (int) indices.get(0);
                indexes.put(key, indices);
            }
        }else if (tokens.get(ind) instanceof COSDictionary) {
            if( ((COSDictionary)tokens.get(ind)).containsKey("MCID")
                    &&  tokens.get(ind+1) instanceof Operator
                    && ((Operator) tokens.get(ind+1)).getName().equals("BDC")
                    && !((COSName) tokens.get(ind-1)).getName().equals("Figure") ) {
                if(min > ((COSInteger)((COSDictionary)tokens.get(ind)).getItem("MCID")).intValue())
                    min = ((COSInteger)((COSDictionary)tokens.get(ind)).getItem("MCID")).intValue();
                if(max < ((COSInteger)((COSDictionary)tokens.get(ind)).getItem("MCID")).intValue())
                    max = ((COSInteger)((COSDictionary)tokens.get(ind)).getItem("MCID")).intValue();
                indices = new ArrayList();
                indices.add(((COSInteger)((COSDictionary)tokens.get(ind)).getItem("MCID")).intValue());
                indices.add(getLastTf(tokens, ind));
            }
        }
    }
    System.out.println("print mcid min, max");
    System.out.println(indexes);
    for (Integer key : indexes.keySet()) {
        ArrayList lst = indexes.get(key);
        for (int ind=0; ind < tokens.size(); ind++) {
            if (tokens.get(ind) instanceof COSDictionary) {
                if( ((COSDictionary)tokens.get(ind)).containsKey("MCID")
                        &&  tokens.get(ind+1) instanceof Operator
                        && ((Operator) tokens.get(ind+1)).getName().equals("BDC")
                        && !((COSName) tokens.get(ind-1)).getName().equals("Figure") ) {
                    //some code
                    if(((COSInteger)((COSDictionary)tokens.get(ind)).getItem("MCID")).intValue() < key){
                        continue;
                    }else if(((COSInteger)((COSDictionary)tokens.get(ind)).getItem("MCID")).intValue() == key){
                        break;
                    }else{
                        List<Object> toks = tokens.subList((Integer) lst.get(1), (Integer) lst.get(2));
                        Integer size = toks.size();
                        Integer index = getLastTf(tokens, ind);
                        if(index < (Integer) lst.get(1)) {
                            tokens.addAll(index, toks);
                            tokens.subList((Integer) lst.get(1)+size, (Integer) lst.get(2)+size).clear();
                        }else{
                            tokens.addAll(index, toks);
                            tokens.subList((Integer) lst.get(1), (Integer) lst.get(2)).clear();
                        }
                        break;
                    }
                }
            }
        }
    }

    return tokens;
}

private static int getLastTf(List<Object> tokens, int ind) {
    for(int i = ind; i > 0; i--){
        if(tokens.get(i) instanceof Operator){
            if( ((Operator) tokens.get(i)).getName().equals("Tf")){
                return i-2;
            }
        }
    }
    return ind;
}
}

1. iText/PDFBox 能否实现内容流重排？ #

完全可以实现，无需重写库核心文件，仅需基于现有API做上层逻辑开发：

• PDFBox：通过ContentStreamParser解析内容流为token列表，修改顺序后用ContentStreamWriter重新生成内容流
• iText 7：通过PdfCanvasProcessor解析内容流，使用PdfCanvas按指定顺序重新绘制内容操作

2. 现有代码未生效的问题分析 #

你的PDFBox代码存在几个核心问题：

• token操作逻辑混乱：移动子列表时边界计算错误，修改原列表未考虑索引偏移，易导致内容丢失或重复
• MCID排序逻辑缺失：仅遍历indexes的keySet，未按MCID从小到大顺序处理，无法保证最终顺序符合要求
• getLastTf逻辑错误：Tf操作包含字体、字号两个参数，i-2不一定是正确起始位置，且未处理嵌套标记内容
• 非标记内容未处理：内容流中的非MCID标记文本/图形未做合理安排，会破坏页面布局

3. 可行的实现思路（基于PDFBox） #

1. 解析内容流：用ContentStreamParser将页面内容流解析为List<Object>格式的token列表
2. 提取标记内容块：遍历token列表，识别BDC/EMC包裹的标记内容块，记录每个块的MCID、起始/结束索引、BBOX及图形状态
3. 排序内容块：根据已知阅读顺序（或MCID顺序）对标记内容块排序
4. 重组内容流：
   • 保留非标记内容的相对顺序，按排序后的顺序插入标记内容块
   • 维护图形状态一致性（如字体、颜色、变换矩阵），避免重排后页面样式错乱
5. 重写内容流：将重组后的token列表通过ContentStreamWriter写入PDF页面，替换原内容流

4. 简化示例代码片段 #

public void reorderContentByMCID(PDPage page, Map<Integer, ContentBlock> sortedBlocks) throws IOException {
    // 解析原内容流
    ContentStreamParser parser = new ContentStreamParser(page);
    List<Object> tokens = parser.parse();
    
    List<Object> newTokens = new ArrayList<>();
    Set<Integer> processedMCIDs = new HashSet<>();
    
    // 遍历原tokens，插入排序后的内容块
    int i = 0;
    while (i < tokens.size()) {
        Object token = tokens.get(i);
        if (token instanceof COSDictionary && ((COSDictionary) token).containsKey("MCID")) {
            COSDictionary mcidDict = (COSDictionary) token;
            int mcid = ((COSInteger) mcidDict.getItem("MCID")).intValue();
            if (sortedBlocks.containsKey(mcid) && !processedMCIDs.contains(mcid)) {
                // 添加排序后的内容块
                newTokens.addAll(sortedBlocks.get(mcid).getTokens());
                processedMCIDs.add(mcid);
                // 跳过原内容块的token
                i = findEMCIndex(tokens, i) + 1;
            } else {
                newTokens.add(token);
                i++;
            }
        } else {
            newTokens.add(token);
            i++;
        }
    }
    
    // 重写页面内容流
    PDPageContentStream contentStream = new PDPageContentStream(page.getDocument(), page, PDPageContentStream.AppendMode.OVERWRITE, true, true);
    ContentStreamWriter writer = new ContentStreamWriter(contentStream);
    writer.writeTokens(newTokens);
    contentStream.close();
}

// 辅助方法：找到EMC操作的索引
private int findEMCIndex(List<Object> tokens, int startIndex) {
    for (int i = startIndex; i < tokens.size(); i++) {
        if (tokens.get(i) instanceof Operator && ((Operator) tokens.get(i)).getName().equals("EMC")) {
            return i;
        }
    }
    return tokens.size();
}

// 自定义ContentBlock类，存储内容块的token、MCID、BBOX等信息
static class ContentBlock {
    private int mcid;
    private List<Object> tokens;
    private PDRectangle bbox;
    // 构造方法、getter/setter
}

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