pdf识别内容-移除页眉页脚

需求

pdf文件大多是出版物或者word转换而来，带有页眉页脚，在识别内容的时候，会把页眉页脚的内容识别到，导致内容中包含大量无用信息，可以在识别的时候，根据提前设置的页眉页脚大小，忽略掉此部分内容。
此教程同时也适用指定矩形区域识别。并且识别的结果是按照段落进行识别，避免了文字错乱，文字换行错乱的情况。本教程使用的是pdfbox进行操作。步骤如下：

前提准备

开发者需要了解一个前提，在pdf识别的过程做，坐标系是以左上角为起点（0，0），往右下角是正。

代码示例开始

引入依赖

<dependency>
		<!--   主要是这个依赖包  -->
       <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
            <version>2.0.26</version>
        </dependency>
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>fontbox</artifactId>
            <version>2.0.26</version>
        </dependency>
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>jempbox</artifactId>
            <version>1.8.16</version>
        </dependency>
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>xmpbox</artifactId>
            <version>2.0.26</version>
        </dependency>
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>preflight</artifactId>
            <version>2.0.26</version>
        </dependency>
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox-tools</artifactId>
            <version>2.0.26</version>
        </dependency>

代码示例

以下代码复制到idea中可直接运行：

import org.apache.commons.lang3.StringUtils;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDDocumentCatalog;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDPageTree;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.PDFTextStripperByArea;
import org.apache.pdfbox.text.TextPosition;

import java.awt.*;
import java.io.File;
import java.io.IOException;
import java.util.List;

public class PdfDemo {
    public static void main(String[] args) {
        try {
            //页眉高度百分比
            float headerRate = 0.1F;
            //页脚高度百分比
            float footerRate = 0.1F;
            // 加载PDF文档
            PDDocument document = PDDocument.load(new File("这是文档.pdf"));
            int pageSize = document.getNumberOfPages();
            //获取目录
            PDDocumentCatalog catalog = document.getDocumentCatalog();
            //获取页码树
            PDPageTree pages = catalog.getPages();
            for (int i = 0; i < pageSize; i++) {
                PDPage page = pages.get(i);
                float width = page.getMediaBox().getWidth();
                float height = page.getMediaBox().getHeight();
                PDFTextStripperByArea stripper = new PDFTextStripperByArea();
                //页眉页脚都是??常量的height
                float startHeight = height * headerRate;
                float endHeight = height - height * headerRate + height * footerRate;

                //新建区域，坐标：x,y；宽高：width，height
                Rectangle rectangle = new Rectangle(0, (int) startHeight, (int) width, (int) endHeight);
                //设置区域
                stripper.addRegion("regionName", rectangle);
                //提取页面信息
                stripper.extractRegions(page);
                //获取指定区域名称对应区域的文本
                String regionText = stripper.getTextForRegion("regionName");
                System.out.println(regionText);
            }

            // 关闭文档
            document.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

rectangle需要设置起始坐标和矩形的长宽。