如何按页面区域拆分PDF，提取指定区域生成独立PDF？

核心思路 #

由于要求彻底删除区域外敏感内容，CropBox绝对不可用（它只是隐藏内容，并未真正移除）。正确的做法是：解析原PDF页面的内容流，筛选出所有位于目标区域内的绘制元素（文本、矢量图形、图像等），然后重新构建只包含这些元素的新PDF页面。

解决方案（基于PDFBox实现） #

PDFBox是Apache的开源PDF处理库，能直接解析内容流并操作PDF元素。以下是完整的实现框架和关键代码：

步骤1：定义目标区域 #

根据你的PDF页面尺寸，划分出每页的4个区域。以A4页面（宽595pt，高842pt）为例，分成四个等大区域：

Rectangle2D[] regions = {
    new Rectangle2D.Double(0, 421, 297.5, 421), // 左下区域
    new Rectangle2D.Double(297.5, 421, 297.5, 421), // 右下区域
    new Rectangle2D.Double(0, 0, 297.5, 421), // 左上区域
    new Rectangle2D.Double(297.5, 0, 297.5, 421) // 右上区域
};

步骤2：解析原页面内容流，筛选区域内元素 #

核心是遍历内容流中的每个操作符，判断元素的实际位置（结合变换矩阵CTM）是否在目标区域内，只保留符合条件的操作：

// 初始化内容流解析器
ContentStreamParser parser = new ContentStreamParser(originalPage);
List<Object> tokens = parser.parse();
Matrix currentCTM = new Matrix(); // 跟踪当前变换矩阵，处理缩放/平移/旋转

for (int i = 0; i < tokens.size(); i++) {
    Object token = tokens.get(i);
    if (token instanceof Operator) {
        Operator op = (Operator) token;
        String opName = op.getName();
        List<Object> operands = tokens.subList(i - op.getOperandCount(), i);

        switch (opName) {
            // 处理文本操作：计算文本边界，仅保留区域内的文本
            case "Tj", "'", "\"", "TJ":
                Rectangle2D textBounds = calculateTextBounds(originalPage, operands, op, currentCTM);
                if (targetRegion.intersects(textBounds)) {
                    writeOperands(contentStream, operands);
                    contentStream.addOperator(op);
                }
                break;

            // 处理路径/图形操作：计算路径边界，仅保留区域内的图形
            case "re", "m", "l", "c", "v", "y", "h":
                Rectangle2D pathBounds = calculatePathBounds(operands, currentCTM);
                if (targetRegion.intersects(pathBounds)) {
                    writeOperands(contentStream, operands);
                    contentStream.addOperator(op);
                }
                break;

            // 处理图像/XObject：计算图像边界，仅保留区域内的图像
            case "Do":
                COSName xobjName = (COSName) operands.get(0);
                PDXObject xobj = originalPage.getResources().getXObject(xobjName);
                if (xobj instanceof PDImageXObject) {
                    Rectangle2D imageBounds = calculateImageBounds((PDImageXObject)xobj, currentCTM);
                    if (targetRegion.intersects(imageBounds)) {
                        // 转换坐标到新页面原点
                        float x = (float)(imageBounds.getX() - targetRegion.getX());
                        float y = (float)(imageBounds.getY() - targetRegion.getY());
                        contentStream.drawXObject(xobj, x, y, (float)imageBounds.getWidth(), (float)imageBounds.getHeight());
                    }
                } else if (xobj instanceof PDFormXObject) {
                    // 递归处理嵌套的表单XObject
                    handleFormXObject(contentStream, (PDFormXObject)xobj, targetRegion, currentCTM);
                }
                break;

            // 处理变换矩阵：更新CTM，并调整坐标到新页面
            case "cm":
                Matrix cm = new Matrix(
                    ((Number)operands.get(0)).floatValue(),
                    ((Number)operands.get(1)).floatValue(),
                    ((Number)operands.get(2)).floatValue(),
                    ((Number)operands.get(3)).floatValue(),
                    ((Number)operands.get(4)).floatValue(),
                    ((Number)operands.get(5)).floatValue()
                );
                currentCTM = currentCTM.multiply(cm);
                // 平移坐标到新页面的原点（减去目标区域的左上角坐标）
                Matrix adjustedCm = cm.translate(-(float)targetRegion.getX(), -(float)targetRegion.getY());
                contentStream.transform(adjustedCm);
                break;

            // 上下文相关操作（如文本块开始/结束、颜色设置）：保留与区域内元素相关的上下文
            case "BT", "ET", "gs", "RG", "rg", "K", "k", "f", "F", "f*":
                writeOperands(contentStream, operands);
                contentStream.addOperator(op);
                break;

            default:
                // 其他操作符按需保留，确保内容渲染正常
                writeOperands(contentStream, operands);
                contentStream.addOperator(op);
                break;
        }
    }
}

步骤3：辅助方法实现 #

需要实现几个关键的辅助方法来计算元素边界：

// 计算文本的实际边界（参考PDFBox的PDTextStripper实现）
private static Rectangle2D calculateTextBounds(PDPage page, List<Object> operands, Operator op, Matrix ctm) {
    // 此处需结合字体、字号、字符内容计算精确边界
    // 示例：获取当前字体和字号，计算文本宽度
    PDResources resources = page.getResources();
    PDTextState textState = new PDTextState();
    // 省略文本状态初始化逻辑，可参考PDTextStripper的processTextPosition方法
    return ctm.createTransformedRectangle(textState.getFont().getStringBounds(operands.toString(), textState.getFontSize()));
}

// 计算路径的实际边界
private static Rectangle2D calculatePathBounds(List<Object> operands, Matrix ctm) {
    // 解析路径坐标点，应用CTM后计算边界
    float x1 = ((Number)operands.get(0)).floatValue();
    float y1 = ((Number)operands.get(1)).floatValue();
    float x2 = ((Number)operands.get(2)).floatValue();
    float y2 = ((Number)operands.get(3)).floatValue();
    Rectangle2D rect = new Rectangle2D.Float(x1, y1, x2-x1, y2-y1);
    return ctm.createTransformedRectangle(rect);
}

// 计算图像的实际边界
private static Rectangle2D calculateImageBounds(PDImageXObject image, Matrix ctm) {
    Rectangle2D rect = new Rectangle2D.Float(0, 0, image.getWidth(), image.getHeight());
    return ctm.createTransformedRectangle(rect);
}

关键注意事项 #

1. 变换矩阵CTM：PDF中的元素可能经过缩放、平移、旋转，必须应用CTM才能得到实际坐标，否则判断区域会出错。
2. 嵌套Form XObject：复杂PDF可能包含嵌套的表单对象，需要递归解析处理，避免遗漏内容。
3. 资源管理：新页面需要复制原页面中被用到的资源（字体、图像等），否则会出现内容缺失。
4. 上下文跟踪：文本块（BT/ET）、颜色设置等操作是上下文相关的，必须正确保留上下文，否则渲染会错乱。

完整代码说明 #

将上述代码整合后，遍历原PDF的每一页，为每个区域生成独立的PDF文件，最终得到totalPages * 4个符合要求的文档，且彻底移除了区域外的敏感内容。

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