Apache PDFBox-图像和文本位置之间的垂直匹配

Question

我需要帮助来实现PDF文档中文本和图像html" target="_blank">对象之间的映射。

如第一幅图所示，我的PDF文档中有3幅图像沿y方向随机排列。在它们的左边是文本。文本沿着图像的高度延伸。

我的目标是将文本合并到“ImObj”对象中（请参见ImObj类）。

第2张图显示，我想使用图像的高度来检测文本的位置（图像高度之外的所有文本都应忽略），在示例中，将有3个由3个图像形成的ImObj-对象。

pdf文件的链接位于此处（在WetTransfer上）：[在此处输入链接描述][3]

但是我的映射不起作用，因为我可能使用了图像中的错误坐标。现在我已经看了一些例子，但我仍然不太明白如何获得文本和图像一起工作的坐标？这是我的代码：

import java.awt.Image;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

import org.apache.pdfbox.contentstream.operator.Operator;
import org.apache.pdfbox.cos.COSBase;
import org.apache.pdfbox.cos.COSName;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDResources;
import org.apache.pdfbox.pdmodel.graphics.PDXObject;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;
import org.apache.pdfbox.util.Matrix;

public class ImExample extends PDFTextStripper {

    public static void main(String[] args) {
        File file = new File("C://example document.pdf");

        try {
            PDDocument document = PDDocument.load(file);

            ImExample example = new ImExample();

            for (int pnr = 0; pnr < document.getPages().getCount(); pnr++) {
                PDPage page = document.getPages().get(pnr);
                PDResources res = page.getResources();
            
                example.processPage(page);
             
                int idx = 0;

                for (COSName objName : res.getXObjectNames()) {
                    PDXObject xObj = res.getXObject(objName);
                    if (xObj instanceof PDImageXObject) {

                        System.out.println("...add a new image");

                        PDImageXObject imXObj = (PDImageXObject) xObj;
                        BufferedImage image = imXObj.getImage();

                        // Here is my mistake ... but I do not know how to solve it.
                        ImObj imObj = new ImObj(image, idx++, pnr, image.getMinY(), image.getMinY() + image.getHeight());
                        example.imObjects.add(imObj);
                    }
                } 
            }

            example.setSortByPosition(true);
            example.getText(document);

            // Output
            for (ImObj iObj : example.imObjects)
                System.out.println(iObj.idx + " -> " + iObj.text);

            document.close();

        } catch (Exception e) {
            e.printStackTrace();
        } 
    }

    public List<ImObj> imObjects = new ArrayList<ImObj>();

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

    @Override
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException {

        // match between imagesize and textposition
        TextPosition txtPos = textPositions.get(0);

        for (ImObj im : imObjects) {
            if(im.page == (this.getCurrentPageNo()-1))
                if (im.minY < txtPos.getY() && (txtPos.getY() + txtPos.getHeight()) < im.maxY)
                    im.text.append(text + " "); 
        }
    }
}

class ImObj {

    float minY, maxY;

    Image image = null;
    StringBuilder text = new StringBuilder("");
    int idx, page = 0;

    public ImObj(Image im, int idx, int pnr, float yMin, float yMax) {
        this.idx = idx;
        this.image = im;
        this.minY = yMin;
        this.maxY = yMax;
        this.page = pnr;
    } 
}

顺致敬意，

Answer 1

你在（有点）错误的地方寻找图像！

您遍历页面本身的图像XObject资源并检查它们。但这没有帮助：

>

还有其他地方可以在页面上存储和使用图像，例如在页面上使用的某种形式的XObject或模式的资源中，或在内容流中内联。

您实际需要的是解析页面内容流以使用图像和使用时的当前转换矩阵。有关基本实现，请查看PDFBox示例PrintImageLocations。

您将遇到的下一个问题是PDFBox在TextPotion方法getX和getY中返回的坐标不是来自相关PDF页面的原始坐标系，而是来自一些为了在文本提取代码中更容易处理而归一化的坐标系。因此，您很可能应该使用未归一化的坐标。

你可以在这个答案中找到相关信息。