parsing - 解析PDF在不同页面中两次获得相同的文本

Question

我有一个包含 2 页的 PDF 文件。当我用我的解析器解析它时，在 Ojective-C 中，我有以下情况。

对于第一页，一切都很好，我有我应该有的文本（我在预览、Adobe 阅读器等 pdf 阅读器中直观地看到......）。对于第二页，我有我在第二页中看到的文本加上第一页中的部分文本，这不在第二页中。

我尝试使用其他解析器：pdftotext (xpdf) 他们设法得到了正确的结果。Pdfminer (in python) https://pypi.python.org/pypi/pdfminer/，我得到了和我一样的结果。第一页的部分文本被提取两次。

我的问题是：这怎么会发生？你见过这种情况吗？如果文本确实出现在第二页中，为什么 pdf 阅读器不显示呢？你对此有什么想法吗？

Answer 1

我已经通过 Acrobat 运行了您的文件（使用“检查文档”），它告诉我其中有一些隐藏的文本。看看下面的屏幕截图：

屏幕截图中的红色文本标记了隐藏的内容。正如 mkl 所指出的，它存在于 MediaBox 之外，这使得它在 PDF 查看器中查看文档时不可见。这并不意味着文本在那里。如果您查看内容流（这是解析器所做的），您仍然会找到它。

您的解析器应该丢弃 MediaBox 之外的所有内容。通常有一个选项可以做到这一点。我知道 iText 中有一个；我不知道其他解析器。