PDFBox：如何区分透明OCR文本与非透明普通文本

核心判断依据 #

OCR工具生成的叠加在扫描图片上的可检索文本，通常会设置完全透明的渲染属性（填充色/描边色的alpha值为0），仅用于检索不用于显示；而普通可见文本的alpha值默认为1，这是两类文本最核心的区分特征。

具体实现步骤 #

• 自定义文本提取器，继承PDFBox的PDFTextStripper类，重写processTextPosition文本处理回调方法，获取文本对应的图形状态参数
• 校验文本透明度：通过当前图形状态的getNonStrokingColor().getAlpha()方法获取填充色透明度，仅保留alpha值为0的文本；部分场景下可额外校验getStrokingColor().getAlpha()描边色透明度，避免漏判
• 增加区域校验逻辑：提前识别当前页面所有图片的边界框，仅保留边界框完全落在某张图片范围内的透明文本，过滤图片外的无关普通文本
• 收集符合上述两个条件的文本，即为你需要的OCR生成的透明目标文本

核心代码示例 #

import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;
import org.apache.pdfbox.pdmodel.common.PDRectangle;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;
import java.io.IOException;
import java.util.List;

public class OCRTransparentTextExtractor extends PDFTextStripper {
    // 存储当前页面所有图片的边界框信息
    private List<PDRectangle> pageImageBounds;

    public OCRTransparentTextExtractor() throws IOException {
        super();
    }

    // 传入当前页面识别到的所有图片边界框
    public void setPageImageBounds(List<PDRectangle> pageImageBounds) {
        this.pageImageBounds = pageImageBounds;
    }

    @Override
    protected void processTextPosition(TextPosition text) {
        // 校验文本是否完全透明
        float fillAlpha = getGraphicsState().getNonStrokingColor().getAlpha();
        float strokeAlpha = getGraphicsState().getStrokingColor().getAlpha();
        if (fillAlpha != 0 && strokeAlpha != 0) {
            return;
        }
        // 校验文本是否落在图片区域内
        PDRectangle textBound = new PDRectangle(
            text.getXDirAdj(), 
            text.getYDirAdj() - text.getHeightDir(), 
            text.getWidthDirAdj(), 
            text.getHeightDir()
        );
        for (PDRectangle imageBound : pageImageBounds) {
            if (imageBound.contains(textBound)) {
                super.processTextPosition(text);
                break;
            }
        }
    }
}

场景适配说明 #

针对你提到的测试文件，上述逻辑可以实现需求：

• 第4页图片下方的普通文本alpha值为1，且不在图片边界框内，会被直接过滤
• 第2、3、12页位于图片后方的OCR透明文本，同时满足透明度为0、处于图片区域两个条件，会被正常提取

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