如何使用iText7移除PDF页眉页脚或读取PDF时跳过页眉页脚

两种需求都可以实现，根据业务场景选对应方案即可：

方案1：提取时跳过页眉页脚区域（推荐，不修改原文件） #

iText7的文本提取基于坐标匹配规则实现，PDF页面坐标系原点在页面左下角，y轴向上递增，页眉固定在页面顶部区域、页脚固定在页面底部区域，只要过滤掉这两个坐标区间的文本块，就能只拿到正文内容，不需要改动原PDF文件。
实现步骤：

• 先抽样确认目标PDF的页眉、页脚占页面的高度值，常规A4尺寸PDF（页面总高度842pt）的页眉高度一般在40-70pt区间，页脚高度一般在30-60pt区间，可以根据实际排版调整
• 自定义文本事件过滤器，判断每个文本块的坐标位置，丢弃落在页眉、页脚区间的内容

可直接参考的实现代码：

import com.itextpdf.kernel.pdf.PdfDocument;
import com.itextpdf.kernel.pdf.PdfPage;
import com.itextpdf.kernel.pdf.PdfReader;
import com.itextpdf.kernel.pdf.canvas.parser.EventType;
import com.itextpdf.kernel.pdf.canvas.parser.PdfCanvasProcessor;
import com.itextpdf.kernel.pdf.canvas.parser.data.IEventData;
import com.itextpdf.kernel.pdf.canvas.parser.data.TextRenderInfo;
import com.itextpdf.kernel.pdf.canvas.parser.filter.IEventFilter;
import com.itextpdf.kernel.pdf.canvas.parser.listener.FilteredTextEventListener;
import com.itextpdf.kernel.pdf.canvas.parser.listener.LocationTextExtractionStrategy;
import com.itextpdf.kernel.geom.Rectangle;
import java.io.IOException;

public class PdfBodyTextExtractor {
    public static String extractPureText(String pdfPath, float headerHeight, float footerHeight) throws IOException {
        PdfDocument pdfDoc = new PdfDocument(new PdfReader(pdfPath));
        StringBuilder contentBuilder = new StringBuilder();

        IEventFilter bodyAreaFilter = new IEventFilter() {
            @Override
            public boolean accept(IEventData data, EventType type) {
                if (!EventType.RENDER_TEXT.equals(type)) {
                    return false;
                }
                TextRenderInfo textInfo = (TextRenderInfo) data;
                Rectangle textPos = textInfo.getDescentLine().getBoundingRectangle();
                PdfPage currentPage = pdfDoc.getPage(textInfo.getCanvas().getDocument().getPageNumber(textInfo.getCanvas()));
                float pageTotalHeight = currentPage.getPageSize().getHeight();
                float textY = textPos.getY();
                // 过滤底部页脚区域、顶部页眉区域的文本
                return textY >= footerHeight && textY <= pageTotalHeight - headerHeight;
            }
        };

        for (int pageNum = 1; pageNum <= pdfDoc.getNumberOfPages(); pageNum++) {
            FilteredTextEventListener extractListener = new FilteredTextEventListener(
                    new LocationTextExtractionStrategy(),
                    bodyAreaFilter
            );
            new PdfCanvasProcessor(extractListener).processPageContent(pdfDoc.getPage(pageNum));
            contentBuilder.append(extractListener.getResultantText()).append("\n");
        }
        pdfDoc.close();
        return contentBuilder.toString();
    }
}

如果待处理的PDF页面尺寸不统一，不要写死页眉页脚高度，要根据每页的实际尺寸动态计算过滤区间；如果页眉页脚带侧边装饰，也可以增加x轴坐标的过滤规则，排除左右边距的非正文内容。

方案2：直接删除PDF内的页眉页脚（适合需要输出清洗后PDF的场景） #

如果需要永久去掉PDF里的页眉页脚，可以通过iText7遍历页面内容流，识别页眉页脚区域对应的文本、图片绘制指令，将对应指令从内容流中移除后另存为新PDF，后续再做文本提取就不会混入页眉页脚内容。
注意事项：

• 操作前务必备份原文件，内容流的修改不可逆
• 如果页眉页脚是通过注释、水印、独立XObject资源实现的，需要额外遍历对应资源节点做删除，不能只清理页面主内容流
• 排版复杂的PDF用这种方案容易误删正文内容，稳定性不如区域过滤提取方案，非必要优先选第一种方案。

针对页眉页脚位置不固定、和正文坐标有重叠的特殊PDF，可以通过多页文本特征匹配识别页眉页脚：页眉页脚的核心特征是在多页相近位置重复出现高度相似的内容，结合坐标聚类+文本重复度判断的方式识别，准确率比固定高度过滤更高。

内容的提问来源于stack exchange，提问作者Krink