C# iText7文本坐标提取题

Question

我正在使用 iText7 开发 PDF 文本提取器，并注意到某个 PDF 上的奇怪文本坐标。 大多数文档似乎在页面的高度和宽度内产生 x 和 y 坐标，但有一个似乎产生负数。 我想知道这里是否有处理负坐标的标准方法。 这种基本方法是使用来自 PDF 和 map 的正英寸测量值，将它们提取到 iText7 提取的文本和坐标，每点英寸的比例值为 1/72。

我是从 LocationTextExtractionStrategy 派生的，代码如下：

        private class LocationTextListStrategy : LocationTextExtractionStrategy
        {
            private readonly List<TextRect> _textRects = new List<TextRect>();

            public List<TextRect> TextRects() => _textRects;

            public override void EventOccurred(IEventData data, EventType type)
            {
                if (!type.Equals(EventType.RENDER_TEXT))
                    return;

                var renderInfo = (TextRenderInfo)data;
                var text = renderInfo.GetCharacterRenderInfos();

                foreach (var t in text)
                {
                    if (string.IsNullOrWhiteSpace(t.GetText()))
                        continue;

                    AddTextRect(t);
                }
            }

            private void AddTextRect(TextRenderInfo t)
            {
                var letterStart = t.GetBaseline().GetStartPoint();
                var letterEnd = t.GetAscentLine().GetEndPoint();

                var newTextRect = new TextRect(
                    text: t.GetText(),
                    l: letterStart.Get(0),
                    r: letterEnd.Get(0),
                    t: letterEnd.Get(1),
                    b: letterStart.Get(1));
                
                _textRects.Add(newTextRect);
            }
        }

Answer 1

每个 PDF 页面都可以有自己的自定义坐标系。 原点通常位于页面的左下角，但这不是必需的。

钥匙	类型	价值
媒体盒	长方形	（必需；可继承）以默认用户空间单位表示的矩形（见 7.9.5，“矩形”），应定义显示或打印页面的物理介质的边界（见 14.11.2，“页面边界”）。
裁剪框	长方形	（可选；可继承）以默认用户空间单位表示的矩形，用于定义默认用户空间的可见区域。 当页面显示或打印时，其内容应被剪裁（裁剪）到该矩形（见 14.11.2，“页面边界”）。 默认值： MediaBox的值。

（ISO 32000-2:2017，表 31 - 页面中的条目）

因此，始终解释相对于它们所指页面的裁剪框的坐标。

iText 7 class PdfPage具有匹配的吸气剂。