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 PDF 中的正英寸测量值，并将它们映射到 iText7 提取的文本和坐标，每点英寸的比例为 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，但不是必需的。

Key	Type	Value
MediaBox	rectangle	(Required; inheritable) A rectangle (see 7.9.5, "Rectangles"), expressed in default user space units, that shall define the boundaries of the physical medium on which the page shall be displayed or printed (see 14.11.2, "Page boundaries").
CropBox	rectangle	(Optional; Inheritable) A rectangle, expressed in default user space units, that shall define the visible region of default user space. When the page is displayed or printed, its contents shall be clipped (cropped) to this rectangle (see 14.11.2, "Page boundaries"). Default value: the value of MediaBox.

（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 类 PdfPage 具有匹配的 getter。