使用iTextPDF的TextRegionEventFilter提取文本时出现单字符返回问题

我在开发LinkedIn生成PDF的简历解析器时遇到iTextPDF相关问题：

之前用SimpleTextExtractionStrategy可以完整提取文本并按行分割，顺序和PDF内一致，代码如下：

public String getNameAndSurname(PdfDocument pdfDoc) {
        SimpleTextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
        PdfCanvasProcessor proc = new PdfCanvasProcessor(strategy);
        proc.processPageContent(pdfDoc.getFirstPage());
        System.out.println(strategy.getResultantText());
        return strategy.getResultantText().split(System.lineSeparator())[0];
    }

但为了按行拆分教育、经历等简历区块，我自定义了继承TextRegionEventFilter的过滤器，大部分功能正常，但部分场景下提取的内容是单个字符（已确认目标行无特殊符号），尝试拼接字符但找不到规律，过滤器代码如下：

@Override
public boolean accept(IEventData data, EventType type) {
    if (type.equals(EventType.RENDER_TEXT)) {
        TextRenderInfo renderInfo = (TextRenderInfo) data;
            if (
                    setBlock(renderInfo, BLOCK_START, BLOCK_END) &&
                    isFontMatch(renderInfo, LINE_FONT_NAME, LINE_FONT_SIZE)
            ) {
                super.elements.add(renderInfo.getText());
                return true;
            }
        }
    return false;
}

我试过把页面尺寸从文档获取改成直接设为PageSize.A4，问题依旧。当前输出示例：

{
        "jobRole": "T",
        "company": "Company 4",
        "timePeriod": "XXX 2017 - XXX 2017 (3 months)"
    },
    {
        "jobRole": "r",
        "company": "Company 3",
        "timePeriod": "XXX 2016 - XXX 2016 (9 months)"
    },
    {
        "jobRole": "a",
        "company": "Company2",
        "timePeriod": "XXX 2014 - XXX 2015 (10 months)"
    },
    {
        "jobRole": "i",
        "company": "Company1",
        "timePeriod": "XXX 2014 - XXX 2014 (7 months)"
    }

问题分析与调试建议 #

这大概率不是iTextPDF的Bug，而是LinkedIn生成PDF时的文本渲染特性导致的：

• 检查文本渲染单元：LinkedIn的PDF可能会把同一行的文字拆成多个独立的TextRenderInfo对象（比如每个字母单独渲染），你的过滤器每次只取单个renderInfo.getText()，自然会得到单字符。可以在accept方法里打印每个renderInfo的文本、位置、字体信息，确认是否存在这种拆分。
• 验证区域过滤逻辑：setBlock方法可能误判了文本的区域范围，只捕获到了单个字符所在的区域。可以输出renderInfo.getBaseline().getBoundingRectangle()的坐标，对比预期的区块范围，看是否存在区域匹配偏差。
• 字体匹配逻辑排查：isFontMatch方法的判断条件可能过于严格，比如字体名大小写、字号精度（比如实际是11.99而你判断12），导致只有单个字符的字体符合条件。可以打印renderInfo.getFont().getFontProgram().getFontNames().getFontName()和renderInfo.getFontSize()，核对匹配规则。
• 参考SimpleTextExtractionStrategy的拼接逻辑：该策略内部会根据文本的位置（比如基线是否连续、间距是否正常）来拼接字符，你可以参考它的源码，在过滤器里实现类似的字符拼接逻辑，而不是直接添加单个renderInfo的文本。

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