Java PDFBox - 读取和修改带有特殊字符的pdf(变音符号)

Question

我正在尝试使用此方法修改pdf(第一个代码块 - 使用PDFStreamParser并迭代PDFOperator,然后在需要时更新COSString):

http://www.coderanch.com/t/556009/open-source/PdfBox-Replace-String-double-pdf

我遇到了一些UTF-8字符(变音符号)的问题:当我打印我要更新的文本时,它显示为"Societ？？ii Na？ionale"(其中'？'是像0002或0004这样的代码).

有趣的是:

1. 当我写更新的pdf文件时,字符显示正确(即使我无法检测并替换它们)
2. 如果我尝试使用PDFTextStripper的getText(...)去除文本,文本将被完美地提取出来.
3. 我尝试了2个pdfbox版本:1.5.0(表现如上所述)和1.8.1(最终写入的pdf文件没有正确显示特殊字符,文档中出现"null"字符串)

我可以为用于更新pdf(或至少尝试...)的类做什么(配置),以便正确显示所有UTF-8字符？

编辑:

截图:

编辑2:

我搜索了PDFTextStripper及其超类中的pdfbox源代码,然后我发现了文本的提取方式:

在processStream方法的开头我们有

graphicsState = new PDGraphicsState(aPage.findCropBox());

在processEncodedText中剥离文本时,使用如下的PDFont类实例:

final PDFont font = graphicsState.getTextState().getFont();

并且使用以下内容从byte []中提取文本:

String c = font.encode( string, i, codeLength );

新的问题是,当我使用相同的2行代码实例化一个PDFont类时,我得到一个"null"字体类,因此我不能使用.encode(...)方法.这些类的源代码在这里:http: //grepcode.com/file/repo1.maven.org/maven2/org.apache.pdfbox/pdfbox/1.5.0/org/apache/pdfbox/util/PDFStreamEngine.java和http://grepcode.com/file/repo1.maven.org/maven2/org.apache.pdfbox/pdfbox/1.5.0/org/apache/pdfbox/util/PDFTextStripper.java

我正在挖掘更多......

Answer 1

您不能只替换字符串中的文本.我不轻易说.我多年前曾在Acrobat上工作,并在初始版本中使用了文本搜索工具,因此我对文本编码问题有了相当深刻的理解.主要问题是PDF中的每个字符串都以某种方式编码.这是因为PDF是在Unicode通常可用之前制作的,并且在PostScript中有历史记录.PosctScript喜欢为字体提供非常灵活的编码方法,并鼓励重新编码.

让我们退后一步,了解整体情况.

PDF格式的字符串中的字符默认情况下用文本运算符显示,编码为一系列8位字符.要确定为每个字节绘制的字形,将通过该字体的编码向量推送该字节.编码向量将字节映射到字形名称,然后在字体中查找并在页面上绘制.请注意,此描述是半真半假的(稍后).

大多数生成PDF的应用程序都很友好,只使用标准编码,例如StandardEncoding或者WinAnsiEncoding,大多数都非常合理.其他人将使用标准编码以及编码增量,这是从标准编码到编码的差异.

有些应用程序试图在它们生成的PDF中更加节俭,因此它们会查看它们使用的字形并决定嵌入字体的子集.如果他们只使用大写和小写罗马字母和数字,他们重建没有这些元素的字体,也可以选择重新索引它们并提供一个编码矢量,使字节0x00转到字形'a',0x01转到字形'b'等.

现在回到半真半假.有一类字符由字符ID(或CID)编码,TrueType和OpenType字体属于该类别.在这种情况下,您可以访问Unicode,但是还有一个编码步骤,您现在将字符串(现在为UTF16BE)映射到CID,该CID用于从字体获取字形.并且由于没有特别好的理由,Adobe使用PostScript函数进行映射.再次,这是一个3/4的事实真相,因为对于中文,日文和韩文字体的旧管理有不同的编码.

因此,在您轻松地将字符放入PDF字体的字符串之前,您必须提出几个问题:

1. 我的字形是字体吗？
2. 我的字形是否在编码中？
3. 我的字形的编码是什么？

其中任何一个都可能与您的期望不同.因此,例如,如果你想放入Ä(一个方向),你必须看看字体是否有它的字形(可能不存在,因为字体是一个子集).然后字体可能有一个有趣的编码,可能不包括字形.最后,用于Ä的实际字节值可能不是标准的.

因此,当我看到有人试图简单地替换PDF内容中的一大块文本时,我所看到的只是一个痛苦的世界.对于大多数理智的PDF,这将是有效的,90%的时间,但对于任何异国情调 - 祝你好运.PDF的文本渲染怪癖很痛苦,有时更容易将其视为只写格式.

Answer 2

最后，提取pdf文件中的字体的过程相当复杂。我无法明确使用字体，因此我在 PDFStreamEngine 的代码和扩展 OperatorProcessor 的类中进行搜索，并找到了如何将 PDFont 对象创建到映射中（我几乎复制了提取变音符号所需的代码块） 。因此，之后我在通过 parser.getTokens() 进行交互时使用检测到的字体来对“字符串”中的每个字符调用encode(...) 方法。