iText5提取裁剪PDF时获取Acrobat不可见文本，如何让其忽略该隐藏文本？

我有一份从大PDF裁剪出来的小型PDF文档，发现用自定义位置策略的iText5还是会提取到裁剪后被舍弃的所有文本，但这些文本在Acrobat Reader里完全看不到。请问怎么让iText5检测并忽略这类隐藏文本？

编辑1 - 之前链接的文档有误
编辑2 - 附上代码片段

public class MyLocationTextExtractionStrategy : LocationTextExtractionStrategy { 
    public void RenderText(TextRenderInfo renderInfo) { 
        string text = renderInfo.GetText(); 
    } 
}

这个问题其实很好理解：裁剪PDF大多只是给页面设置了裁剪框（Crop Box），相当于给文档加了个“可视窗口”，但原始文档里的文本并没有被真正删除——那些“隐藏”的文本只是在裁剪框之外，iText5默认的提取策略不会主动检查文本是否在可见区域内，所以会一股脑全提出来。

要解决这个问题，你只需要在自定义的提取策略里加个判断逻辑：只保留落在裁剪框范围内的文本就行。具体可以这么做：

步骤1：获取页面的裁剪框 #

在处理目标页面时，先从PdfReader里拿到该页面的裁剪框信息，如果没有设置裁剪框，就用媒体框（Media Box）替代，代码大概是这样：

PdfReader reader = new PdfReader("你的PDF文件路径");
int targetPage = 1; // 你要处理的页码
Rectangle cropBox = reader.GetCropBox(targetPage) ?? reader.GetMediaBox(targetPage);

步骤2：修改自定义提取策略，添加位置判断 #

调整你的MyLocationTextExtractionStrategy，在RenderText方法里先判断当前文本片段的位置是否和裁剪框有交集，只有符合条件的文本才交给父类处理。修改后的代码示例：

public class CroppedTextExtractionStrategy : LocationTextExtractionStrategy
{
    private readonly Rectangle _visibleArea;

    public CroppedTextExtractionStrategy(Rectangle visibleArea)
    {
        _visibleArea = visibleArea;
    }

    public override void RenderText(TextRenderInfo renderInfo)
    {
        // 获取当前文本片段的完整边界矩形
        Rectangle textBounds = renderInfo.GetDescentLine().GetBoundingRectangle();
        textBounds.Merge(renderInfo.GetAscentLine().GetBoundingRectangle());

        // 判断文本是否在可视区域内（有重叠或完全包含）
        if (_visibleArea.Intersects(textBounds))
        {
            // 只有可视区域内的文本才进行提取
            base.RenderText(renderInfo);
        }
    }
}

步骤3：用新策略提取文本 #

在提取页面文本时，把拿到的裁剪框传入自定义策略即可：

using (PdfReader reader = new PdfReader("你的PDF文件路径"))
{
    int targetPage = 1;
    Rectangle cropBox = reader.GetCropBox(targetPage) ?? reader.GetMediaBox(targetPage);
    ITextExtractionStrategy strategy = new CroppedTextExtractionStrategy(cropBox);
    string extractedText = PdfTextExtractor.GetTextFromPage(reader, targetPage, strategy);
}

额外注意事项 #

• 如果你的PDF页面有旋转角度，记得要同步旋转裁剪框和文本的坐标，iText的Rectangle类提供了Rotate()方法可以处理这个情况。
• 如果遇到文本片段部分在可视区域内的情况，上面的代码会提取整个片段；如果需要更精确地截断部分可见的文本，可能需要额外处理字符的位置，但大部分场景下，判断文本片段是否和裁剪框相交就足够满足需求了。

这样修改后，iText5就只会提取裁剪框内的可见文本，再也不会把那些被裁剪掉的隐藏内容带出来啦。

内容的提问来源于stack exchange，提问作者Sau001