java提取PDF文字坐标

常用java操作PDF的库有PDFbox和itext，下面我会介绍如何使用PDFbox和itext来提取PDF的文字坐标。

一、itext提取文字坐标

itext版本：5.5.6，低版本的可能没有提供这种方法。
1、通过定义一个类实现RenderListener，可以通过里面的几个方法来操作PDF中的文字和图片

import java.awt.Color;
import java.awt.image.BufferedImage;
import java.io.IOException;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.HashSet;
import java.util.List;
import java.util.Map;

import javax.imageio.ImageIO;

import com.itextpdf.awt.geom.Rectangle2D;
import com.itextpdf.awt.geom.RectangularShape;
import com.itextpdf.text.BaseColor;
import com.itextpdf.text.Rectangle;
import com.itextpdf.text.pdf.PdfContentByte;
import com.itextpdf.text.pdf.parser.ImageRenderInfo;
import com.itextpdf.text.pdf.parser.RenderListener;
import com.itextpdf.text.pdf.parser.TextRenderInfo;
public class TestRenderListener implements RenderListener {
//用来存放文字的矩形
List<Rectangle2D.Float> rectText = new ArrayList<Rectangle2D.Float>();
//用来存放文字
List<String> textList = new ArrayList<String>();
//用来存放文字的y坐标
List<Float> listY = new ArrayList<Float>();
//用来存放每一行文字的坐标位置
List<Map<String,Rectangle2D.Float>> rows_text_rect = new ArrayList<>();
//PDF文件的路径
protected String filepath = null;
public TestRenderListener() {
}

//step 2,遇到"BT"执行
@Override
public void beginTextBlock() {
// TODO Auto-generated method stub
}

//step 3
/**
* 文字主要处理方法
*/
@Override
public void renderText(TextRenderInfo renderInfo) {
//获取文字的下面的矩形
//Rectangle2D.Float rectBase = renderInfo.getBaseline().getBoundingRectange();

String text = renderInfo.getText();
if(text.length() > 0){
RectangularShape rectBase = renderInfo.getBaseline().getBoundingRectange();
//获取文字下面的矩形
Rectangle2D.Float rectAscen = renderInfo.getAscentLine().getBoundingRectange();
//计算出文字的边框矩形
float leftX = (float) rectBase.getMinX();
float leftY = (float) rectBase.getMinY()-1;
float rightX = (float) rectAscen.getMaxX();
float rightY = (float) rectAscen.getMaxY()+1;

Rectangle2D.Float rect = new Rectangle2D.Float(leftX, leftY, rightX - leftX, rightY - leftY);

System.out.println("text:"+text+"--x:"+rect.x + "--y:"+rect.y + "--width:"+rect.width + "--height:"+rect.height);

if(listY.contains(rect.y)){
int index = listY.indexOf(rect.y);
float tempx = rect.x > rectText.get(index).x ? rectText.get(index).x : rect.x;
rectText.set(index,new Rectangle2D.Float(tempx,rect.y,rect.width + rectText.get(index).width,rect.height));
textList.set(index,textList.get(index) + text);
}else{
rectText.add(rect);
textList.add(text);
listY.add(rect.y);
}

Map<String,Rectangle2D.Float> map = new HashMap<>();
map.put(text,rect);
rows_text_rect.add(map);
}
}
//step 4(最后执行的，只执行一次)，遇到“ET”执行
@Override
public void endTextBlock() {
// TODO Auto-generated method stub
}

//step 1(图片处理方法)
@Override
public void renderImage(ImageRenderInfo renderInfo) {

}
}
2、使用自定义的类来实现获取PDF的文字坐标
PdfReader reader = new PdfReader(pdfPath);
//新建一个PDF解析对象
PdfReaderContentParser parser = new PdfReaderContentParser(reader);
//包含了PDF页面的信息，作为处理的对象
PdfStamper stamper = new PdfStamper(reader, new FileOutputStream("d:/test.pdf"));
for(int i = 1;i <= reader.getNumberOfPages();i++){
//新建一个ImageRenderListener对象，该对象实现了RenderListener接口，作为处理PDF的主要类
TestRenderListener listener = new TestRenderListener();
//解析PDF，并处理里面的文字
parser.processContent(i, listener);
//获取文字的矩形边框
List<Rectangle2D.Float> rectText = listener.rectText;
List<String> textList = listener.textList;
List<Float> listY = listener.listY;
List<Map<String,Rectangle2D.Float>> list_text = listener.rows_text_rect;
for(int k = 0;k < list_text.size();k++){
Map<String,Rectangle2D.Float> map = list_text.get(k);
for(Map.Entry<String, Rectangle2D.Float>entry:map.entrySet()){
System.out.println(entry.getKey()+"---"+entry.getValue());
}

}
}

二、PDFbox获取文字坐标

PDFbox与itext不同的是，PDFbox只能一个一个字的提取PDF的文字坐标，而itext是一段一段提取的。

PDFbox版本：1.8.13，不同版本可能部分代码写法不同。

import java.io.*;
import org.apache.pdfbox.exceptions.InvalidPasswordException;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.common.PDStream;
import org.apache.pdfbox.util.PDFTextStripper;
import org.apache.pdfbox.util.TextPosition;

import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

public class PrintTextLocations extends PDFTextStripper {

static List<Float> list_postion = new ArrayList<Float>();
static List<String> list_text = new ArrayList<String>();

public PrintTextLocations() throws IOException {
super.setSortByPosition(true);
}

public static void main(String[] args) throws Exception {

PDDocument document = null;
try {
File input = new File("D://result.pdf");
document = PDDocument.load(input);
if (document.isEncrypted()) {
document.decrypt("");
}
PrintTextLocations printer = new PrintTextLocations();
List allPages = document.getDocumentCatalog().getAllPages();
for (int i = 0; i < allPages.size(); i++) {
PDPage page = (PDPage) allPages.get(i);
System.out.println("Processing page: " + i);
PDStream contents = page.getContents();
if (contents != null) {
printer.processStream(page, page.findResources(), page.getContents().getStream());
}
}
} finally {
if (document != null) {
document.close();
}
}

System.out.println(list_text.size());
for(int i = 0;i < list_text.size();i++){
System.out.println(list_text.get(i) );
}

}

/**
* @param text The text to be processed
*/
@Override /* this is questionable, not sure if needed... */
protected void processTextPosition(TextPosition text) {
System.out.println("String[" + text.getXDirAdj() + ","
+ text.getYDirAdj() + " fs=" + text.getFontSize() + " xscale="
+ text.getXScale()+ " yscale="
+ text.getYScale() + " height=" + text.getHeightDir() + " space="
+ text.getWidthOfSpace() + " width="
+ text.getWidthDirAdj() + " x="
+ text.getX() + " y="
+ text.getY() + " y1="
+ text.getTextPos().getYPosition() + " x1="
+ text.getTextPos().getXPosition() + " x1="
+ text.getTextPos().getXScale() + " x1="
+ text.getTextPos().getYScale() + "]" + text.getCharacter());
}
}