PDFBox：區分透明和非透明文本

Question

我有一項任務，我必須提取圖像背后的文本，並從圖像本身進行 OCR 處理。 這段文字是透明的。 問題是有一個圖像后面有沒有經過 OCR 處理的文本，它只是普通文本並且不透明。 如何區分需要（透明）和不需要（非透明）的文本？

這是一個代表性的pdf文件： https : //easyupload.io/rbo333圖像OCR文本應該在第2、3、12頁提取，但文本也在第4頁提取。在第4頁圖像后面沒有OCR文本，但是圖像下方有常規文本。 我需要以某種方式過濾掉它，因為我只需要 OCR 文本。

Answer 1

因此，圖像的前面或后面都有透明文本。 我認為這意味着它們沒有顏色，但@mkl 說它們可能有顏色，但它們是空字形。 pdf 規范還指出，即使它們是透明的，它們也可以具有顏色。 為了真正透明，字符需要既沒有描邊也沒有描邊顏色。

有一個在PDFBox的，或Fontbox一個RenderingMode枚舉出於這樣的目的和它既不值表示的東西是否是透明的。 我可以在這個答案的幫助下提取它。

解決方案代碼如下所示。

@Override
protected void processTextPosition(TextPosition character) {
    characterRenderingModes.put(character, getGraphicsState().getTextState().getRenderingMode());
    super.processTextPosition(character);
}

這是 PDFTextStripper 類的重寫方法，它遍歷頁面上的每個字符並獲取它們的 RenderingModes。 之后，在需要時，我根據需要檢查的字符從地圖中獲取 RenderingModes。