当我使用 iText(Sharp) 解析现有 PDF 时，我创建了一个实现 IRenderListener 的对象，我将其传递到 PdfReaderContentParser.ProcessContent() 中，果然，我的对象的 RenderText() 被 PDF 中的所有文本重复调用.
问题是，TextRenderInfo 告诉我基本字体（在我的例子中是 Helvetica），但我无法告诉我字体的高度和重量（常规与粗体）。这是 iText(Sharp) 的已知缺陷还是我遗漏了什么？
【问题讨论】：
TextRenderInfo 告诉我基本字体（在我的例子中是 Helvetica），但我不能告诉我字体的高度和粗细（常规与粗体）
不幸的是，iTextSharp 在TextRenderInfo 中没有提供公共字体大小方法或成员。有些人通过使用它的GetAscentLine() 和它的GetDescentLine() 之间的距离来解决这个问题。
如果你准备好使用Reflection，你可以通过暴露和使用私有TextRenderInfo成员GraphicsState gs来做得更好，例如就像在这个渲染监听器中一样：
public class LocationTextSizeExtractionStrategy : LocationTextExtractionStrategy
{
//Hold each coordinate
public List<SizeAndTextAndFont> myChunks = new List<SizeAndTextAndFont>();
//Automatically called for each chunk of text in the PDF
public override void RenderText(TextRenderInfo wholeRenderInfo)
{
base.RenderText(wholeRenderInfo);
GraphicsState gs = (GraphicsState) GsField.GetValue(wholeRenderInfo);
myChunks.Add(new SizeAndTextAndFont(gs.FontSize, wholeRenderInfo.GetText(), wholeRenderInfo.GetFont().PostscriptFontName));
}
FieldInfo GsField = typeof(TextRenderInfo).GetField("gs", System.Reflection.BindingFlags.NonPublic | System.Reflection.BindingFlags.Instance);
}
//Helper class that stores our rectangle, text, and font
public class SizeAndTextAndFont
{
public float Size;
public String Text;
public String Font;
public SizeAndTextAndFont(float size, String text, String font)
{
this.Size = size;
this.Text = text;
this.Font = font;
}
}
您可以使用这样的渲染侦听器提取信息：
using (var pdfReader = new PdfReader(testFile))
{
// Loop through each page of the document
for (var page = startPage; page < endPage; page++)
{
Console.WriteLine("\n Page {0}", page);
LocationTextSizeExtractionStrategy strategy = new LocationTextSizeExtractionStrategy();
PdfTextExtractor.GetTextFromPage(pdfReader, page, strategy);
foreach (SizeAndTextAndFont p in strategy.myChunks)
{
Console.WriteLine(string.Format("<{0}> in {2} at {1}", p.Text, p.Size, p.Font));
}
}
}
这会产生如下输出：
Page 1
< The Philippine Stock Exchange, Inc> in Helvetica-Bold at 8
< Daily Quotations Report> in Helvetica-Bold at 8
< March 23 , 2015> in Helvetica-Bold at 8
<Name> in Helvetica at 7
<Symbol> in Helvetica at 7
<Bid> in Helvetica at 7
[...]
您在输出中看到的作为字体大小的数字是绘制相应文本时 PDF 图形状态中字体大小属性的值。
由于 PDF 的灵活性，这可能不是您最终在输出中看到的字体大小，但是，自定义转换可能会大大拉伸输出。一些 PDF 制作者甚至总是使用 1 的字体大小和转换来相应地拉伸输出。
要在此类文档中获得良好的字体大小值，您可以像这样改进LocationTextSizeExtractionStrategy 方法RenderText：
public override void RenderText(TextRenderInfo wholeRenderInfo)
{
base.RenderText(wholeRenderInfo);
GraphicsState gs = (GraphicsState) GsField.GetValue(wholeRenderInfo);
Matrix textToUserSpaceTransformMatrix = (Matrix) TextToUserSpaceTransformMatrixField.GetValue(wholeRenderInfo);
float transformedFontSize = new Vector(0, gs.FontSize, 0).Cross(textToUserSpaceTransformMatrix).Length;
myChunks.Add(new SizeAndTextAndFont(transformedFontSize, wholeRenderInfo.GetText(), wholeRenderInfo.GetFont().PostscriptFontName));
}
有了这个额外的反射FieldInfo 成员。
FieldInfo TextToUserSpaceTransformMatrixField = typeof(TextRenderInfo).GetField("textToUserSpaceTransformMatrix", System.Reflection.BindingFlags.NonPublic | System.Reflection.BindingFlags.Instance);
正如您在上面的输出中看到的，字体名称可能包含的不仅仅是字体系列名称，还包含权重指示符
< March 23 , 2015> in Helvetica-Bold at 8
因此，在您的示例中，
TextRenderInfo 告诉我基本字体（在我的例子中是 Helvetica）
没有任何装饰的 Helvetica 意味着正常的重量。
Helvetica 是每个 PDF 查看器必须开箱即用的 14 种标准字体之一：Times-Roman、Helvetica、Courier、Symbol、Times-Bold、Helvetica-Bold、Courier-Bold、ZapfDingbats、Times -斜体，Helvetica-Oblique，Courier-Oblique，Times-BoldItalic，Helvetica-BoldOblique，Courier-BoldOblique。因此，这些名称非常可靠。
不幸的是，字体名称通常可以任意选择；粗体字体的名称中可能包含“粗体”或“黑色”或其他粗体指示符，或者根本没有。
也可以尝试使用指定了条目 FontWeight 的字体的 FontDescriptor 字典。不幸的是，这个条目是可选的，你根本不能指望它在那里。
此外，PDF 中的字体可以人工加粗，参见。 this answer:
所有这些数字都是使用相同的字体绘制的，只是增加了一个上升的轮廓线宽度。
因此，恐怕没有可靠的方法来找到确切的字体粗细，只有一些可能会或可能不会返回可接受的近似值的启发式方法。
【讨论】：