如何用PDFBox获取PDF选中文本的字体信息？getResources返回null求助

哦，这个坑我之前踩过！PDFTextStripperByArea的getResources()方法确实经常返回null，因为它的核心定位是提取指定区域的文本内容，并没有为区域资源查询做专门的设计。不过别担心，我们可以通过自定义子类的方式绕开这个限制，直接拿到目标文本的字体信息，下面是具体的实现思路和代码：

方案一：自定义PDFTextStripperByArea子类，记录文本位置与字体信息 #

我们可以重写processTextPosition方法，在处理每个文本片段时，判断它是否落在我们定义的区域内，同时记录对应的TextPosition对象——这个对象里包含了完整的字体、字号等信息。

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.text.PDFTextStripperByArea;
import org.apache.pdfbox.text.TextPosition;
import java.awt.geom.Rectangle2D;
import java.io.IOException;
import java.util.ArrayList;
import java.util.Collections;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

public class RegionTextWithFontStripper extends PDFTextStripperByArea {
    // 存储每个区域对应的所有TextPosition实例
    private final Map<String, List<TextPosition>> regionTextPositions = new HashMap<>();

    public RegionTextWithFontStripper() throws IOException {
        super();
        setSortByPosition(true); // 保持文本顺序
    }

    @Override
    protected void processTextPosition(TextPosition text) {
        super.processTextPosition(text);
        // 遍历所有已定义的区域，判断当前文本是否在区域内
        for (String regionName : getRegions().keySet()) {
            Rectangle2D regionRect = getRegion(regionName);
            // 注意PDFBox的坐标原点在页面左下角，确保你的区域坐标是正确的
            if (regionRect.contains(text.getX(), text.getY())) {
                regionTextPositions.computeIfAbsent(regionName, k -> new ArrayList<>()).add(text);
            }
        }
    }

    // 获取指定区域的所有文本位置信息（包含字体）
    public List<TextPosition> getTextPositionsForRegion(String regionName) {
        return regionTextPositions.getOrDefault(regionName, Collections.emptyList());
    }
}

使用示例 #

try (PDDocument document = PDDocument.load(new File("your-file.pdf"))) {
    PDPage page = document.getPage(0); // 假设处理第一页
    RegionTextWithFontStripper stripper = new RegionTextWithFontStripper();
    
    // 添加你的目标区域
    Rectangle2D rect = new Rectangle2D.Double(96, 150, 101, 11);
    stripper.addRegion("selectedText", rect);
    
    stripper.extractRegions(page);
    
    // 获取区域内的所有TextPosition
    List<TextPosition> textPositions = stripper.getTextPositionsForRegion("selectedText");
    for (TextPosition text : textPositions) {
        // 提取字体名称、字号等信息
        String fontName = text.getFont().getName();
        float fontSize = text.getFontSize();
        String content = text.getUnicode();
        System.out.printf("文本：%s，字体：%s，字号：%.1f%n", content, fontName, fontSize);
    }
} catch (IOException e) {
    e.printStackTrace();
}

注意事项 #

• 坐标校验：PDFBox的坐标原点在页面左下角，如果你是从其他工具（比如PDF阅读器）获取的坐标，可能需要转换y轴（页面高度 - 原y坐标）才能匹配正确区域。
• 文本片段：一个完整的单词可能被拆分成多个TextPosition实例，你可能需要根据位置信息合并它们，再统一处理字体。

内容的提问来源于stack exchange，提问作者swarupn