iText读取Acrobat打印导出PDF时文本x/y坐标取值异常

问题背景 #

有一份共1600页的大型PDF文档，通过Acrobat Reader打印选定页面的方式截取保留了部分文档内容，使用iText编写代码读取文档文本及对应坐标，核心读取逻辑代码如下：

public void decode(File file) throws IOException {
   PdfReader reader = new PdfReader(file.toURI().toURL());
   int numberOfPages = reader.getNumberOfPages();
   ProcessorListener listener = new ProcessorListener();
   PdfContentStreamProcessor processor = new PdfContentStreamProcessor(listener);
   for (int pageNumber = 1; pageNumber <= numberOfPages; pageNumber++) {
      PdfDictionary resourcesDic = pageDic.getAsDict(PdfName.RESOURCES);
      processor.processContent(ContentByteUtils.getContentBytesForPage(reader, pageNumber), resourcesDic);
   } 
}

自定义文本渲染监听器代码如下：

public class ProcessorListener implements RenderListener {
   private final PdfReader reader;

   public ProcessorListener(PdfReader reader) {
      this.reader = reader;
   }

   @Override
   public void beginTextBlock() {
   }

   @Override
   public void renderText(TextRenderInfo tri) {
      String text = tri.getText();
      double x = tri.getDescentLine().getBoundingRectange().getX();
      double y = tri.getDescentLine().getBoundingRectange().getY();
      System.out.println(text + " => x:" + x + " y:" + y);   
   }

   @Override
   public void endTextBlock() {
   }
}

观测现象 #

• 原始完整文档中提取到的文本x、y坐标随文本实际位置正常变动
• 经Acrobat打印生成的精简文档中，所有文本提取到的坐标几乎完全一致：x值始终小于2，y值始终接近480
• 该问题仅在使用Acrobat Reader打印导出PDF时触发，使用Edge浏览器打印导出则无异常
• 导出的PDF在Acrobat Reader、Edge中均可正常渲染显示，初步推测问题出在代码实现逻辑中

产生原因 #

核心原因是自定义的内容流解析逻辑存在两个关键缺陷，没有适配Acrobat导出PDF的内容结构：

1. 未跟踪当前坐标变换矩阵（CTM）、未递归解析表单XObject内容
   Acrobat Reader打印导出PDF时，会将单页所有内容封装为独立的*表单XObject（Form XObject）*嵌入页面，XObject内部使用独立的局部坐标系，绘制XObject到页面时会通过cm操作符设置坐标变换规则，将局部坐标系映射到页面的实际位置。
   你当前手写的PdfContentStreamProcessor没有注册XObject解析、矩阵变换相关的操作处理器，既不会在递归进入XObject读取内容时维护变换栈，也不会将多层级的坐标变换做叠加计算，最终拿到的只是文本在XObject局部坐标系下的初始坐标，也就是观测到的x<2、y≈480的固定值。
   Edge打印导出PDF时不会做XObject封装，所有文本直接在页面根内容流中绘制，坐标直接对应页面全局坐标系，因此你的代码读取结果正常。
2. 代码本身存在显性变量缺失问题
   你贴出的decode方法中，pageDic变量从未被定义，直接调用pageDic.getAsDict(PdfName.RESOURCES)在正常运行时会抛出空指针异常，说明贴出的代码并非实际运行的完整版本，进一步印证实际运行的解析逻辑缺失了资源遍历、变换跟踪的必要处理。

修复方案 #

• 优先使用iText内置的PdfTextExtractor工具类做文本提取，该类默认已经实现了XObject递归解析、坐标变换矩阵全链路跟踪的逻辑，会自动计算文本在页面全局坐标系下的真实坐标，不需要手动实现内容流处理逻辑。
• 如果必须自定义RenderListener实现特殊逻辑，需要给PdfContentStreamProcessor注册所有PDF标准操作符的处理器，重点覆盖矩阵变换、XObject绘制相关操作，解析过程中维护坐标变换栈：进入嵌套XObject时将XObject对应的变换矩阵压栈，退出时弹栈，计算文本坐标时将所有层级的变换矩阵做矩阵乘法，转换为页面全局坐标系下的坐标值。

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