iText 7.x读取PDF时部分关键文本缺失的问题求助

• 检查区域过滤的有效性
  PDF的坐标系以页面左下角为原点，你设置的Rectangle(0, 0, 1100, 1100)可能和目标页面实际尺寸不匹配，导致缺失文本不在过滤区域内。可以先获取页面实际尺寸：

  PdfPage page = pdfDocument.GetPage(i);
  Rectangle pageSize = page.GetPageSizeWithRotation();
  

  用实际页面尺寸调整过滤区域，或者暂时去掉FilteredTextEventListener，直接提取整页文本，看缺失内容是否能被提取，以此排除区域过滤的问题。

• 更换文本提取策略
  LocationTextExtractionStrategy是按文本位置排序提取，但某些PDF的文本布局特殊（比如文本块顺序混乱、存在重叠文本），可以尝试用SimpleTextExtractionStrategy，它按PDF内容流的顺序提取文本：

  inputStr = PdfTextExtractor.GetTextFromPage(pdfDocument.GetPage(i), new SimpleTextExtractionStrategy());
  

  也可以自定义提取策略，继承LocationTextExtractionStrategy并重写相关方法，或者使用FontTextExtractionStrategy针对字体相关问题排查。

• 排查PDF文本的存储形式

  • 如果缺失文本是图片格式（比如扫描件、嵌入的图片文本），iText的文本提取功能无法直接识别，需要结合OCR工具处理。
  • 检查PDF是否将文本以矢量图形路径绘制而非文本对象存储，这种情况也无法直接提取文本，同样需要OCR辅助。

• 处理字体与编码问题
  部分PDF使用未嵌入的字体或自定义编码，iText可能无法正确解析字符。可以检查PDF的字体属性：

  PdfDictionary resources = page.GetResources();
  PdfDictionary fontDict = resources.GetAsDictionary(PdfName.Font);
  // 遍历字体字典，检查是否嵌入、编码方式
  foreach (PdfName fontName in fontDict.KeySet())
  {
      PdfDictionary font = fontDict.GetAsDictionary(fontName);
      bool isEmbedded = font.GetAsStream(PdfName.FontFile2) != null;
      // 输出字体信息排查
  }
  

  对于编码异常的情况，可以尝试设置提取策略的编码映射，或者使用iText的PdfFontFactory重新加载字体。

• 检查页面旋转与表单/注释文本

  • 如果页面存在旋转，会导致坐标偏移，需先获取页面旋转角度并调整过滤区域：

    int rotation = page.GetRotation();
    // 根据旋转角度调整Rectangle的坐标
    

  • 若缺失文本在表单域或注释中，LocationTextExtractionStrategy不会提取这类内容，需要单独处理：
    • 提取表单域文本：遍历pdfDocument.GetAcroForm().GetFields()获取字段值。
    • 提取注释文本：遍历page.GetAnnotations()，从PdfAnnotation中获取文本内容。

• 排查隐藏文本或特殊渲染模式
  某些PDF会设置文本的渲染模式为不可见（但视觉上通过其他方式显示），可以在自定义提取策略中重写RenderText方法，查看TextRenderInfo的GetRenderMode()，若返回PdfCanvasConstants.TextRenderMode.INVISIBLE，则需要特殊处理这类文本。

内容的提问来源于stack exchange，提问作者Yaniv Amrami