PDFBox 2.0：来自 PDFTextStripper 的不可见文本答案

【问题标题】：PDFBox 2.0 : Invisible text from PDFTextStripperPDFBox 2.0：来自 PDFTextStripper 的不可见文本
【发布时间】：2018-05-23 11:41:35
【问题描述】：

文件示例为here

我想我再次需要 mkl 的帮助（在附件中有一些隐藏的 () 字符是 PDFTextStripper 提取的。现在我看不出是什么使它不可见（例如，请参阅列6 个值 - 都在括号中：

Publix Liquors 1,600 2.5 1/1/2014 12/31/2018 ($ 24,000.00) ($ 4,032.00) ($ 28,032.00) BayCare Health Systems 3,200 5 7/30/2004 7/31/2018 ($ 51,200.00) ($ 9,648.00) ($ 60,848.00) 在选择期 8/11/2018 之前租金不变

.......

能否请您至少指出为什么它们在这种情况下是隐藏的？提前致谢！

【问题讨论】：

标签： java pdf pdfbox

【解决方案1】：

在这种情况下，您处理的是实际透明度。

隐藏括号是由这样的指令块创建的

q
/Alpha3 gs
0 0 0 rg
BT
0 Tr
/Font0 14.299999 Tf
1.0 0 0 -1.0 537.66486 195.42578 Tm
0 0 Td
<037F>
Tj
ET
Q

资源中的扩展图形状态Alpha3声明为

14 0 obj
<<
  /CA 0
  /ca 0
>>
endobj

因此，/Alpha3 gs 将描边和填充不透明度都设置为 0，即使用填充或描边绘制的任何内容都是完全透明的。

在 PDFBox PDFTextStripper 中，这些值可以在 processTextPosition 中从当前图形状态 (getGraphicsState) 作为属性 getAlphaConstant 和 getNonStrokeAlphaConstant 检索到

【讨论】：

谢谢！您能否指出一些资源，让我可以学习如何理解这些不同的说明？
我从 PDF 规范（您可以在 Adobe 检索 ISO 32000-1 标准的副本：PDF32000_2008.pdf）以及对文本提取和编辑的普遍兴趣...许多 PDF 的内部结构。
谢谢。有很多东西可以隐藏结果 PDF 中的文本，所以标准 PDFTextStripper 几乎没用......我想知道是否有任何库在做所有工作人员只返回我们在 pdf 中看到的内容
您可能会惊讶地听到，虽然确实有很多方法可以在 PDF 中显示不可见文本，但这些方法通常很少使用。您遇到的示例数量令人震惊！ ;) 在许多用例中，标准文本提取会返回所需数据。更常见的抱怨是原始布局不受尊重，特别是对于表格内容。话虽如此，在某些用例中，人们甚至想要检索不可见的文本，对他们来说，这不是错误，而是一项功能！
无论如何，感谢您的大力帮助！希望不再有这样的方式:)