pdfbox在pdf错误上提取颜色字体答案

【问题标题】：pdfbox extract color font on a pdf errorpdfbox在pdf错误上提取颜色字体
【发布时间】：2013-07-15 22:08:51
【问题描述】：

大家好，对不起我的英语水平，但我不是英国人/美国人。

我的问题是下一个：我尝试使用在示例中发布在本网站 (How to get font color using pdfbox) 中的示例代码，作者说该代码已尝试但当我尝试时它向我显示此错误：

2013 年 7 月 17 日下午 1:05:28 org.apache.pdfbox.util.PDFStreamEngine processOperator 信息：不支持/禁用操作：BDC 2013 年 7 月 17 日下午 1:05:29 org.apache.pdfbox.util.PDFStreamEngine processOperator 信息：不支持/禁用操作：EMC 设备灰色 org.apache.pdfbox.pdmodel.graphics.color.PDColorState@481958 0.0

我提取内容的 pdf 3 个字母 (RGB) 已绘制：

R：涂成红色 G：涂成绿色 B：涂成黑色

有人可以解释一下，因为这个错误告诉我如何从 pdf 中提取彩色文本？

感谢所有期货 cmets

【问题讨论】：

标签： pdf text fonts colors pdfbox

【解决方案1】：

这些日志输出的级别仅为 INFO，而不是错误：

jul 17, 2013 1:05:28 PM org.apache.pdfbox.util.PDFStreamEngine processOperator INFO: unsupported/disabled operation: BDC
jul 17, 2013 1:05:29 PM org.apache.pdfbox.util.PDFStreamEngine processOperator INFO: unsupported/disabled operation: EMC

他们所说的只是在未注册处理器的页面内容中遇到了某些运算符（BDC、EMC）。但由于这些运算符仅用于分析标记的内容，因此您的任务可以忽略这些运算符。

之后你得到了你引用的代码的输出：

DeviceGray
org.apache.pdfbox.pdmodel.graphics.color.PDColorState@481958
0.0

至少第一行和最后一行与该代码匹配：遇到灰度值为 0 的 DeviceGray 灰色颜色，很可能是黑色 B。（是否您在两者之间添加了额外的输出，例如graphicState.getStrokingColor()？）

因此，没有错误，一切正常。

【讨论】：

感谢您的回答。不，我没有添加额外的输出，只是尝试了代码，因为我需要提取具有 3 种颜色文本的 pdf 上的文本，并且我需要提取每个文本。我没有足够的使用 PDFBOX 的经验，然后我尝试使用这些示例，但与我不同的是，没有向我显示提取文本的颜色 RGB。只是向我展示了 DeviceGray 0.0，文本以 3 种颜色（红色、蓝色和绿色）书写。可能是没有包含导入的 PageDrawer 属性？
代码显示整个流处理后的颜色。通常在流中存储当前状态，完成某些操作，然后恢复之前的状态。这可能解释了所有完成后的当前颜色是黑色。我认为你想从PDFStreamEngine 派生类似于PDFTextStripper，但processTextPosition 也考虑到当前颜色。
使用 PDFStreamEngine 和 proceesTextPosition 我可以按每个字符的颜色提取文本？
当您在proceesTextPosition,时，您可以查询当前TextPosition文本绘制时的图形状态。