如何在pdfbox 2.0.0上的truetype0font中添加unicode？

Question

我一直在Java项目中使用PDFBOX版本2.0.0将pdf转换为文本.

我的几个pdf都缺少ToUnicode方法,所以当我导出它们时它们会以Gibberish出现.

2016-09-14 10:44:55 WARN org.apache.pdfbox.pdmodel.font.PDSimpleFont(1):322 - No Unicode mapping for 694 (30) in font MPBAAA+F1

在上面的WARN中,提出了一个乱码的unicode(30)而不是真实的角色.

我能够通过编辑additional.txtpdfbox中的文件来克服它,因为从试验和错误我理解角色的代码(在这种情况下为694)代表某个希伯来字母(צ).

这是我在文件中编辑的简短示例:

-694;05E6 #HexaDecimal value for the letter ?
-695;05E7
-696;05E8

后来我在不同的pdf上遇到了几乎相同的警告,但是没有乱码,我根本没有任何角色.这里可以看到更详细的这个问题的探索 - 通过pdf pdfbox在java中阅读

2016-09-14 11:07:10 WARN org.apache.pdfbox.pdmodel.font.PDType0Font(1):431 - No Unicode mapping for CID+694 (694) in font ABCDEE+Tahoma,Bold

正如您所看到的,警告来自不同的class(PDType0Font)而不是第一个警告(PDSimpleFont),但代码名称(694)在两者中都是相同的,并且它们都在谈论相同的字符.

是否有一个不同的文件我应该编辑,而不是additional.txt将694代码(希伯来字母point)指向它的正确unicode？

谢谢

Answer 1

这是一些用字体添加ToUnicode CMap流的代码.显然我不能用你的文件来做,所以我使用了我的一个测试文件,可以在这里找到.我必须分别处理每个条目而不是全部.然而,结果足以提取绿色印刷品中的第一个单词("Bedingungen").

该方案有点适合您:

• 身份-H条目
• 没有ToUnicode条目

• 特定的字体名称

  try (PDDocument doc = PDDocument.load(f))
  {
      for (int p = 0; p < doc.getNumberOfPages(); ++p)
      {
          PDPage page = doc.getPage(p);
          PDResources res = page.getResources();
          for (COSName fontName : res.getFontNames())
          {
              PDFont font = res.getFont(fontName);
              COSBase encoding = font.getCOSObject().getDictionaryObject(COSName.ENCODING);
              if (!COSName.IDENTITY_H.equals(encoding))
              {
                  continue;
              }
              // get real name
              String fname = font.getName();
              int plus = fname.indexOf('+');
              if (plus != -1)
              {
                  fname = fname.substring(plus + 1);
              }
              if (font.getCOSObject().containsKey(COSName.TO_UNICODE))
              {
                  continue;
              }
              System.out.println("File '" + f.getName() + "', page " + (p + 1) + ", " + fontName.getName() + ", " + font.getName());
              if (!fname.startsWith("Calibri-Bold"))
              {
                  continue;
              }
              COSStream toUnicodeStream = new COSStream();
              try (PrintWriter pw = new PrintWriter(toUnicodeStream.createOutputStream(COSName.FLATE_DECODE)))
              {
                  // "9.10 Extraction of Text Content" in the PDF 32000 specification
                  pw.println ("/CIDInit /ProcSet findresource begin\n" +
                          "12 dict begin\n" +
                          "begincmap\n" +
                          "/CIDSystemInfo\n" +
                          "<< /Registry (Adobe)\n" +
                          "/Ordering (UCS) /Supplement 0 >> def\n" +
                          "/CMapName /Adobe-Identity-UCS def\n" +
                          "/CMapType 2 def\n" +
                          "1 begincodespacerange\n" +
                          "<0000> <FFFF>\n" +
                          "endcodespacerange\n" +
                          "10 beginbfchar\n" + // number is count of entries
                          "<0001><0020>\n" + // space
                          "<0002><0041>\n" + // A
                          "<0003><0042>\n" + // B
                          "<0004><0044>\n" + // D
                          "<0013><0065>\n" + // e
                          "<0012><0064>\n" + // d
                          "<0017><0069>\n" + // i
                          "<001B><006E>\n" + // n
                          "<0015><0067>\n" + // g
                          "<0020><0075>\n" + // u
                          "endbfchar\n" +
                          "endcmap CMapName currentdict /CMap defineresource pop end end");
              }
              font.getCOSObject().setItem(COSName.TO_UNICODE, toUnicodeStream);
          }
      }
      doc.save("huhu.pdf");
  }
  

顺便说一下,未发布的2.1版本的PDFDebugger有一些改进的功能来显示字体,你可以在这里得到它:

您可以使用它来验证您的ToUnicode CMap是否有意义.这是我对变化的看法: