C# iText7 文本坐标提取问题

问题描述

我正在使用 iText7 处理 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，每点英寸的比例值为 1/72。

我是从 LocationTextExtractionStrategy 派生出来的，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);
            }
        }

解决方法

每个 PDF 页面都可以有自己的自定义坐标系。原点在页面左下角很常见，但不是必须的。

键	类型	价值
MediaBox	矩形	（必需；可继承） 一个矩形（见 7.9.5，“矩形”），以默认用户空间单位表示，用于定义页面所在的物理介质的边界显示或打印（见 14.11.2，“页面边界”）。
裁剪框	矩形	（可选；可继承） 一个矩形，以默认用户空间单位表示，用于定义默认用户空间的可见区域。当页面被显示或打印时，其内容应被剪裁（裁剪）到这个矩形（见 14.11.2，“页面边界”）。默认值：MediaBox的值。

（ISO 32000-2:2017，表 31 — 页面中的条目）

因此，始终根据它们所引用页面的裁剪框来解释坐标。

iText 7 类 PdfPage 具有匹配的 getter。