iText7如何根据Rectangle信息提取对应PDF文本？

问题根源 #

PDF中的文本通常以文本块为单位存储和绘制，即使你的正则匹配定位到了目标文本（比如"bbb"）的矩形区域，如果该文本和前后内容属于同一个文本块，常规的区域提取逻辑会返回整个文本块的内容（比如"aaa-bbb-ccc"）。

解决方案：自定义字符级文本提取策略 #

通过自定义文本提取策略，逐个检查每个字符的边界框是否落在目标Rectangle内，只保留符合条件的字符，实现精准提取。

步骤1：创建字符位置跟踪策略

继承LocationTextExtractionStrategy，记录每个字符的边界框和内容：

import com.itextpdf.kernel.geom.Rectangle;
import com.itextpdf.kernel.pdf.canvas.parser.data.TextRenderInfo;
import com.itextpdf.kernel.pdf.canvas.parser.listener.LocationTextExtractionStrategy;

import java.util.ArrayList;
import java.util.List;

class CharacterPositionTrackingStrategy extends LocationTextExtractionStrategy {
    private final List<CharacterInfo> characterInfos = new ArrayList<>();

    @Override
    public void renderText(TextRenderInfo renderInfo) {
        super.renderText(renderInfo);
        // 遍历每个字符，记录位置和文本
        for (TextRenderInfo charInfo : renderInfo.getCharacterRenderInfos()) {
            Rectangle charRect = charInfo.getDescentLine().getBoundingRectangle();
            characterInfos.add(new CharacterInfo(charRect, charInfo.getText()));
        }
    }

    public List<CharacterInfo> getCharacterInfos() {
        return characterInfos;
    }

    public static class CharacterInfo {
        private final Rectangle rect;
        private final String text;

        public CharacterInfo(Rectangle rect, String text) {
            this.rect = rect;
            this.text = text;
        }

        public Rectangle getRect() {
            return rect;
        }

        public String getText() {
            return text;
        }
    }
}

步骤2：提取目标区域内的文本

使用上述策略提取页面所有字符的位置，再筛选出落在目标Rectangle内的字符：

import com.itextpdf.kernel.pdf.PdfDocument;
import com.itextpdf.kernel.pdf.PdfReader;
import com.itextpdf.kernel.pdf.canvas.parser.PdfTextExtractor;

import java.io.IOException;

public class PreciseTextExtractor {
    public static String extractTextInTargetRect(PdfDocument pdfDoc, int pageNumber, Rectangle targetRect) throws IOException {
        CharacterPositionTrackingStrategy strategy = new CharacterPositionTrackingStrategy();
        // 提取页面文本并跟踪所有字符位置
        PdfTextExtractor.getTextFromPage(pdfDoc.getPage(pageNumber), strategy);

        StringBuilder result = new StringBuilder();
        for (CharacterPositionTrackingStrategy.CharacterInfo charInfo : strategy.getCharacterInfos()) {
            Rectangle charRect = charInfo.getRect();
            // 判断字符矩形与目标矩形是否重叠（可根据需求调整判断逻辑）
            if (targetRect.intersects(charRect)) {
                result.append(charInfo.getText());
            }
        }
        return result.toString();
    }

    public static void main(String[] args) throws IOException {
        try (PdfReader reader = new PdfReader("your-input.pdf");
             PdfDocument pdfDoc = new PdfDocument(reader)) {
            // 替换为iTextSweep返回的目标Rectangle
            Rectangle targetRectangle = new Rectangle(/* x, y, width, height */);
            String preciseText = extractTextInTargetRect(pdfDoc, 1, targetRectangle);
            System.out.println(preciseText);
        }
    }
}

注意事项 #

• 坐标一致性：确保目标Rectangle的坐标符合PDF的坐标系（左下角为原点(0,0)），iTextSweep返回的Rectangle默认是符合该规则的。
• 重叠判断逻辑：示例中使用intersects判断字符矩形与目标矩形是否有重叠，你可以根据需求改为contains（字符完全在目标区域内），或自定义重叠比例阈值，进一步提升精准度。
• 性能考量：如果处理大页数的PDF，字符级遍历会增加一定开销，但对于精准提取需求来说是必要的。

内容的提问来源于stack exchange，提问作者Haolin Liu