PDFBox：PdfTextStripper提取到非裁剪路径/颜色问题外的不可见文本

这问题提得很到位！咱们来聊聊除了裁剪路径重叠和颜色问题之外，还有哪些常见（甚至有点隐蔽）的原因，会让PdfTextStripper提取到PDF里视觉上不可见的文本令牌：

• 文本被上层图形元素完全覆盖
  就算没有裁剪路径，也可能有一个和背景色完全一致的矩形、色块等图形叠在文本上方。PDF阅读器会按照元素的存储顺序渲染，上层图形会把文本挡住，但PdfTextStripper只会解析文本对象，不会考虑遮挡它的上层图形，所以依然能提取到这些文本。

• 文本位于可选内容图层（OCG）中
  PDF支持可选内容图层（Optional Content Groups），有些图层可能被设置为默认隐藏，或者当前视图下不可见，但文本对象依然存在于文档结构里。PdfTextStripper默认不会过滤这些图层的内容，所以会把它们提取出来。

• 文本字体尺寸极小或为0
  如果文本的字体大小被设为0，或者小到肉眼完全无法分辨（比如0.1pt），视觉上根本看不到，但文本对象的内容是完整的，提取工具会读取到这些令牌。

• 文本被定位到页面可视区域之外
  文本的坐标被设置到了页面边界以外（比如x坐标为负数，或者超过页面宽度），PDF阅读器不会渲染这些区域的内容，但PdfTextStripper会扫描整个文档的文本对象，不管它们是否在可视范围内。

• 文本使用了“无描边无填充”的渲染模式
  PDF文本有多种渲染模式，其中模式3（“No Stroke, No Fill”）会让文本既不描边也不填充，视觉上完全不可见，但文本的字符编码依然存在，提取工具可以解析到这些内容。

• 文档结构中的冗余文本
  有些PDF生成工具可能会在文档的结构树或元数据中残留一些文本，这些文本并没有被渲染到页面上，但PdfTextStripper遍历文档对象时会读取到它们。比如某些表单生成器可能留下备份的文本值，或者OCR过程中产生的未匹配视觉元素的文本。

• 文本透明度设为完全透明
  你提到文本颜色是黑色，但如果文本的透明度（alpha值）被设为0，视觉上完全看不到，但文本对象本身的字符内容依然存在，PdfTextStripper不会考虑透明度属性，只会提取文本内容。

内容的提问来源于stack exchange，提问作者D.F. Stones