PDFBox 1.8 PrintTextLocations 多页 pdf 的 TextPosition 高度错误答案

【问题标题】：PDFBox 1.8 PrintTextLocations wrong TextPosition height for a multi page pdfPDFBox 1.8 PrintTextLocations 多页 pdf 的 TextPosition 高度错误
【发布时间】：2013-05-10 20:34:12
【问题描述】：

我正在运行 PDFBox 提供的示例来获取每个 TextPosition 的宽度/高度。当我通过一页pdf时，它会给我准确的结果。但是，如果我使用多页 pdf，我会得到不正确的高度。

这是我做的实验，我拿了一个 5 页的 pdf 并作为参数传入（每个 TextPosition 的高度错误）。接下来，我使用 MacOSX Preview 将相同的 pdf 拆分为 5 个单页 pdf，并逐页传递（我得到正确的高度）。

package printtextlocations;

import java.io.*;
import org.apache.pdfbox.exceptions.InvalidPasswordException;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.common.PDStream;
import org.apache.pdfbox.util.PDFTextStripper;
import org.apache.pdfbox.util.TextPosition;

import java.io.IOException;
import java.util.List;

public class PrintTextLocations extends PDFTextStripper {

    public PrintTextLocations() throws IOException {
        super.setSortByPosition(true);
    }

    public static void main(String[] args) throws Exception {

        PDDocument document = null;
        try {
            File input = new File("C:\\path\\to\\PDF.pdf");
            document = PDDocument.load(input);
            if (document.isEncrypted()) {
                try {
                    document.decrypt("");
                } catch (InvalidPasswordException e) {
                    System.err.println("Error: Document is encrypted with a password.");
                    System.exit(1);
                }
            }
            PrintTextLocations printer = new PrintTextLocations();
            List allPages = document.getDocumentCatalog().getAllPages();
            for (int i = 0; i < allPages.size(); i++) {
                PDPage page = (PDPage) allPages.get(i);
                System.out.println("Processing page: " + i);
                PDStream contents = page.getContents();
                if (contents != null) {
                    printer.processStream(page, page.findResources(), page.getContents().getStream());
                }
            }
        } finally {
            if (document != null) {
                document.close();
            }
        }
    }

    /**
     * @param text The text to be processed
     */
    @Override
    protected void processTextPosition(TextPosition text) {
        System.out.println(" String [x: " + text.getXDirAdj() + ", y: "
            + text.getY() + ", height:" + text.getHeightDir()
            + ", space: " + text.getWidthOfSpace() + ", width: "
            + text.getWidthDirAdj() + ", yScale: " + text.getYScale() + "]"
            + text.getCharacter());
    }
}

输出 sn-p - 5 页 pdf

字符串 [x: 58.500004, y: 692.2, height:33.480003, space: 2.64, width: 6.635998, yScale: 12.0]6

字符串 [x: 58.6, y: 741.2, height:33.480003, space: 2.64, width: 6.6360016, yScale: 12.0]1

字符串 [x: 58.6, y:753.4, height:33.480003, space: 2.64, width: 6.6360016, yScale: 12.0]2

输出截图 - 1 页 pdfs

字符串 [x: 58.5, y: 692.2, height:5.55, space: 2.64, width: 6.6480026, yScale: 12.0]6

字符串 [x: 58.6, y: 741.2, height:5.55, space: 2.64, width: 6.6480026, yScale: 12.0]1

字符串 [x: 58.6, y: 753.4, height:5.55, space: 2.64, width: 6.6480026, yScale: 12.0]2

有谁知道为什么在这种情况下我们会得到不一致的结果？有没有我遗漏的设置？

感谢您的帮助。

这是另一个测试文件 wrong height pdf - 3 pages 这里是我得到的输出

字符串 [x: 90.0, y: 83.28003, height:33.480003, space: 5.8497605, width: 7.248001, yScale: 12.0]V

字符串 [x: 97.242, y: 83.28003, height:33.480003, space: 5.8497605, width: 5.856003, yScale: 12.0]e

字符串[x: 103.095604, y: 83.28003, height:33.480003, space: 5.8497605, width:4.9680023,yScale:12.0]r

字符串 [x: 108.0588, y: 83.28003, height:33.480003, space: 5.8497605, width: 6.0479965, yScale:12.0]y

字符串 [x: 116.748, y: 83.28003, height:33.480003, space: 5.8497605, width: 5.9520035, yScale: 12.0]S

字符串 [x: 122.7012, y: 83.28003, height:33.480003, space: 5.8497605, width: 3.3359985, yScale:12.0]i

字符串 [x: 126.034805, y: 83.28003, height:33.480003, space: 5.8497605, width: 9.983994,yScale:12.0]m

字符串 [x: 136.01881, y: 83.28003, height:33.480003, space: 5.8497605, width: 6.671997, yScale:12.0]p

字符串 [x: 142.6932, y: 83.28003, height:33.480003, space: 5.8497605, width: 3.251999, yScale: 12.0]l

字符串 [x: 145.9512, y: 83.28003, height:33.480003, space: 5.8497605, width: 5.856003, yScale: 12.0]e

字符串 [x: 154.4472, y: 83.28003, height:33.480003, space: 5.8497605, width: 7.9440002, yScale:12.0]D

字符串 [x: 162.38641, y: 83.28003, height:33.480003, space: 5.8497605, width: 6.371994, yScale:12.0]o

字符串 [x: 168.75601, y: 83.28003, height:33.480003, space: 5.8497605, width: 5.2920074, yScale: 12.0]c 字符串 [x: 174.0468, y: 83.28003, height:33.480003, space: 5.8497605, width: 6.624008, yScale: 12.0]u 字符串 [x: 180.6732, y: 83.28003, height:33.480003, space: 5.8497605, width: 9.983994, yScale: 12.0]m 字符串 [x: 190.6572, y: 83.28003, height:33.480003, space: 5.8497605, width: 5.856003, yScale: 12.0]e 字符串 [x: 196.5108, y: 83.28003, height:33.480003, space: 5.8497605, width: 6.695999, yScale: 12.0]n 字符串 [x: 203.20801, y: 83.28003, height:33.480003, space: 5.8497605, width: 4.0559998, yScale: 12.0]t 完成处理页面 0 完成添加第 0 页 String [x: 90.0, y: 139.44, height:33.480003, space: 5.8497605, width: 6.816002, yScale: 12.0]P

字符串 [x: 96.8148, y: 139.44, height:33.480003, space: 5.8497605, width: 5.856003, yScale: 12.0]a

字符串 [x: 102.6696, y: 139.44, height:33.480003, space: 5.8497605, width: 5.9280014, yScale: 12.0]g

字符串 [x: 108.5964, y: 139.44, height:33.480003, space: 5.8497605, width: 5.856003, yScale: 12.0]e

字符串 [x: 117.090004, y: 139.44, height:33.480003, space: 5.8497605, width: 6.6480026, yScale:12.0]2

字符串 [x: 126.375595, y: 139.44, height:33.480003, space: 5.8497605, width: 6.371994, yScale: 12.0]o

字符串 [x: 132.7464, y: 139.44, height:33.480003, space: 5.8497605, width: 3.6360016, yScale: 12.0]f

字符串 [x: 139.0312, y: 139.44, height:33.480003, space: 5.8497605, width: 9.983994, yScale: 12.0]m

字符串 [x: 149.0152, y: 139.44, height:33.480003, space: 5.8497605, width: 3.3359985, yScale: 12.0]i

字符串 [x: 152.3488, y: 139.44, height:33.480003, space: 5.8497605, width: 6.695999, yScale: 12.0]n

字符串 [x: 159.046, y: 139.44, height:33.480003, space: 5.8497605, width: 3.3359985, yScale: 12.0]i

字符串 [x: 162.37961, y: 139.44, height:33.480003, space: 5.8497605, width: 9.983994, yScale: 12.0]m

字符串 [x: 172.3636, y: 139.44, height:33.480003, space: 5.8497605, width: 5.856003, yScale: 12.0]a

字符串 [x: 178.2232, y: 139.44, height:33.480003, space: 5.8497605, width: 3.251999, yScale: 12.0]l

字符串 [x: 181.4812, y: 139.44, height:33.480003, space: 5.8497605, width: 3.3359985, yScale: 12.0]i

字符串 [x: 184.8148, y: 139.44, height:33.480003, space: 5.8497605, width: 5.1600037, yScale: 12.0]s

字符串 [x: 189.9712, y: 139.44, height:33.480003, space: 5.8497605, width: 9.983994, yScale: 12.0]m

已完成处理第 1 页完成添加第 1 页 String [x: 90.0, y: 266.15997, height:33.480003, space: 5.8497605, width: 6.816002, yScale: 12.0]P

字符串 [x: 96.8148, y: 266.15997, height:33.480003, space: 5.8497605, width: 5.856003, yScale:12.0]a

字符串 [x: 102.6696, y: 266.15997, height:33.480003, space: 5.8497605, width: 5.9280014,yScale:12.0]g

字符串 [x: 108.5964, y: 266.15997, height:33.480003, space: 5.8497605, width: 5.856003, yScale:12.0]e

字符串[x：117.090004，y：266.15997，高度：33.480003，空间：5.8497605，宽度：6.6480026，yScale：12.0]3

字符串 [x: 126.375595, y: 266.15997, height:33.480003, space: 5.8497605, width:6.371994,yScale:12.0]o

字符串 [x: 132.7464, y: 266.15997, height:33.480003, space: 5.8497605, width: 7.548004,yScale:12.0]K

字符串 [x: 140.3052, y: 266.15997, height:33.480003, space: 5.8497605, width: 5.856003,yScale:12.0]a

字符串 [x: 146.16, y: 266.15997, height:33.480003, space: 5.8497605, width: 6.048004, yScale: 12.0]y

字符串 [x: 152.2068, y: 266.15997, height:33.480003, space: 5.8497605, width: 5.0639954,yScale:12.0]？

已完成处理第 2 页完成添加第 2 页

【问题讨论】：

请提供相关的 PDF。此外，您使用哪个 PDFBox 版本？
用另一个 pdf 更新帖子。

标签： pdf pdfbox

【解决方案1】：

在 pdfbox 2.0.24 版本中，TextPosition 类中有两个函数 getXScale() 和 getYScale()。这样可以在渲染中得到真实的尺寸。

【讨论】：

【解决方案2】：

在确定已解析字形的高度时（使用相关字体对象的getFontHeight 方法），PDFBox 首先检查它是否有手头的各个字形的字体度量。它在这里只知道 AFM type 1 字体度量；由于您的字体是真正的字体，因此 PDFBox 没有此类指标。

在这种情况下，它会继续尝试从字体描述符中检索一般字体度量。文档中字体的字体描述符如下所示：

21 0 obj <<
    /Type /FontDescriptor
    /FontName /GLDXOZ+Cambria
    /Flags 4
    /FontBBox [-1475 -2463 2867 3117]
    /ItalicAngle 0
    /Ascent 950
    /Descent -222
    /CapHeight 667
    /StemV 0
    /XHeight 467
    /AvgWidth 615
    /MaxWidth 2919
    /FontFile2 24 0 R
>>
endobj

它检查的第一个描述符条目是字体边界框（/FontBBox 条目），如果存在，则它的高度为平均字体高度的一半。

在您的情况下，字体边界框与字体中的字形相比非常非常大；垂直方向从 -2463 到 3117！！

另一方面，大写字母高度（/CapHeight条目，扁平大写字母顶部的垂直坐标，从基线测量）仅为667 ，而上升（/Ascent，此字体中的字形达到的高于基线的最大高度；不包括重音字符的字形高度）只有 950。这真的让我想知道为什么那个字体有这样一个字体边界框......

如果没有字体边界框，PDFBox 接下来会尝试使用大写字母高度，然后是上升，最后是 /XHeight - /Descent。这些中的每一个都会产生一个合理的值，但由于存在边界框，PDFBox 假定一个太大的值。

有问题的代码注释为

// the following values are all more or less accurate
// at least all are average values. Maybe we'll find
// another way to get those value for every single glyph
// in the future if needed

虽然我不知道为什么 PDFBox 更喜欢从边界框猜测平均高度而不是例如ascent，它不是唯一一个假设你的字体是巨大的文本的软件。例如，如果您使用 Adobe Acrobat 的文本修饰工具，您会看到：

竖线是光标！所以 Acrobat 也认为字体很大。

很遗憾，您没有提供通过使用 MacOSX Preview 拆分从您的示例创建的单页 pdf。因此，我不知道为什么您之后会获得更真实的信息。显然，预览会以某种方式更改字体信息，因为巨大的高度值的原因与具有多个页面或只有一个页面的文档无关。

【讨论】：