使用PDFBox移除PDF全页边框/边距及解决提取格式丢失问题

嘿，我来帮你搞定这两个PDFBox相关的问题，都是项目里常碰到的场景，给你详细拆解解决办法：

PDF里的“边框/边距”通常分两种情况，得针对性处理：

情况1：边距是页面裁剪框（CropBox）导致的 #

很多PDF会通过设置CropBox来限制页面显示/打印的区域，看起来像是有边距。这种情况直接调整CropBox和页面的媒体框（MediaBox）一致就行，代码示例如下：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import java.io.File;
import java.io.IOException;

public class RemoveMargins {
    public static void main(String[] args) throws IOException {
        try (PDDocument document = PDDocument.load(new File("input.pdf"))) {
            for (PDPage page : document.getPages()) {
                // 将CropBox设置为和MediaBox一样大，移除裁剪边距
                page.setCropBox(page.getMediaBox());
                // 如果是想自定义裁剪区域，也可以手动设置CropBox的坐标，比如：
                // page.setCropBox(new PDRectangle(0, 0, page.getMediaBox().getWidth(), page.getMediaBox().getHeight()));
            }
            document.save("output_no_margins.pdf");
        }
    }
}

情况2：边框是内容层绘制的线条 #

如果边框是PDF内容里直接绘制的线条（比如模板里的装饰框），就得解析页面的内容流，过滤掉绘制边框的指令。可以通过继承PDFStreamEngine来实现：

import org.apache.pdfbox.contentstream.PDFStreamEngine;
import org.apache.pdfbox.contentstream.operator.Operator;
import org.apache.pdfbox.cos.COSBase;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import java.io.File;
import java.io.IOException;
import java.util.List;

public class RemoveBorderLines extends PDFStreamEngine {
    @Override
    protected void processOperator(Operator operator, List<COSBase> operands) throws IOException {
        String opName = operator.getName();
        // 过滤掉绘制路径并填充/描边的指令，比如"f"（填充）、"S"（描边）、"B"（填充+描边）
        // 注意：如果页面还有其他需要保留的线条，得根据线条的坐标/宽度等特征做更精准的判断
        if (!opName.equals("f") && !opName.equals("S") && !opName.equals("B")) {
            super.processOperator(operator, operands);
        }
    }

    public static void main(String[] args) throws IOException {
        try (PDDocument document = PDDocument.load(new File("input.pdf"))) {
            RemoveBorderLines remover = new RemoveBorderLines();
            for (PDPage page : document.getPages()) {
                remover.processPage(page);
                // 替换页面的内容流为处理后的版本
                page.setContents(remover.getPageStream());
            }
            document.save("output_no_borders.pdf");
        }
    }
}

提示：如果需要精准过滤边框，得先分析边框线条的坐标范围、线宽等特征，在processOperator里增加判断逻辑，避免误删其他有用线条。

这个问题太常见了！很多PDF模板里的表格根本不是结构化的表格元素，只是用绝对定位的文本块+绘制的线条拼出来的。PDFBox默认的PDFTextStripper只会按文本在内容流里的读取顺序输出，完全不管它们的位置关系，所以提取后表格格式全乱了。

给你两个实用的解决方案：

方案1：基于文本坐标还原表格结构 #

通过继承PDFTextStripper，重写processTextPosition方法收集每个文本块的坐标信息，然后按行（Y坐标分组）、列（X坐标排序）来整理内容：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
import java.util.ArrayList;
import java.util.Comparator;
import java.util.List;
import java.util.Map;
import java.util.stream.Collectors;

public class TableTextExtractor extends PDFTextStripper {
    private List<TextPosition> textPositions = new ArrayList<>();

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

    @Override
    protected void processTextPosition(TextPosition text) {
        textPositions.add(text);
    }

    public static void main(String[] args) throws IOException {
        try (PDDocument document = PDDocument.load(new File("input_with_table.pdf"))) {
            TableTextExtractor extractor = new TableTextExtractor();
            extractor.getText(document);

            // 按Y坐标分组（同一行的文本Y坐标接近），这里的阈值可以根据实际PDF调整
            Map<Float, List<TextPosition>> rows = extractor.textPositions.stream()
                    .collect(Collectors.groupingBy(t -> Math.round(t.getY() * 100) / 100.0f));

            // 遍历每一行，按X坐标排序，拼接成表格行
            try (FileWriter writer = new FileWriter("output_table.txt")) {
                rows.entrySet().stream()
                        .sorted(Comparator.comparingDouble(Map.Entry::getKey).reversed()) // PDF的Y坐标是从下往上的，所以倒序
                        .forEach(entry -> {
                            List<String> rowTexts = entry.getValue().stream()
                                    .sorted(Comparator.comparingDouble(TextPosition::getX))
                                    .map(TextPosition::getUnicode)
                                    .collect(Collectors.toList());
                            try {
                                writer.write(String.join("\t", rowTexts) + "\n");
                            } catch (IOException e) {
                                e.printStackTrace();
                            }
                        });
            }
        }
    }
}

这个方法能把同一行的文本按左右顺序排列，用制表符分隔，还原表格的列结构。

方案2：结合表格线条定位单元格 #

如果PDF里有表格的边框线条，可以先解析页面的路径找到单元格的边界，再把文本块匹配到对应的单元格里，这样精度更高。核心思路是：

1. 用PDFStreamEngine解析页面的路径，记录所有单元格的矩形区域；
2. 收集文本块的坐标，判断每个文本属于哪个单元格；
3. 按单元格的行和列顺序整理输出。

这个方案逻辑稍复杂，但处理复杂表格时效果更好，你可以根据实际需求调整细节。

内容的提问来源于stack exchange，提问作者Prashanth