Java PDFBox - 使用特殊字符（变音符号）读取和修改 pdf

Question

我正在尝试使用此方法修改 pdf（第一个代码块 - 使用 PDFStreamParser 并遍历 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：当我打印要更新的文本时，它会显示为“Societ？ ?ii Na?ionale”（其中 '?' 是类似的代码0002 或 0004)。

有趣的是：

1. 当我编写更新的 pdf 文件时，字符显示正确（即使我无法检测到并替换它们）
2. 如果我尝试使用 PDFTextStripper 的 getText(...) 剥离文本，则文本被完美提取。
3. 我尝试了 2 个 pdfbox 版本：1.5.0（其行为如上所述）和 1.8.1（最终的书面 pdf 文件无法正确显示特殊字符并且文档中出现“空”字符串）李>

我可以为用于更新 pdf 的类做什么（配置）（或至少尝试...），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，发现了文本是如何提取的：

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 PDFont 类的实例，如下所示：

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

文本是从 byte[] 中提取的：

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

新问题是，当我用相同的 2 行代码实例化 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

我现在正在挖掘更多...

Answer 1

您不能只替换字符串中的文本。我不是随便说的。很多年前我在Acrobat上工作过，并且在最初的版本中做过文本搜索工具，所以我对文本编码的问题有相当深入的了解。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 普遍可用之前制作的，并且在 PostScript 中有一段历史。 PosctScript 喜欢非常灵活的字体编码方法，并鼓励重新编码。

所以让我们退后一步，了解整个情况。

默认情况下，PDF 中字符串中的字符应使用文本运算符显示，编码为一系列 8 位字符。为了确定为每个字节绘制的字形，该字节被推入该字体的编码向量。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（稍后会详细介绍）。

大多数生成 PDF 的应用程序都很友好，并且只使用标准编码，例如 StandardEncoding 或 WinAnsiEncoding，其中大部分都非常合理。其他人将使用标准编码以及编码增量，这是标准编码与编码内容的区别。

一些应用试图在生成的 PDF 中更加节俭，因此它们会查看所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，他们会在不使用这些元素的情况下重建字体，并且可能会选择重新索引它们并提供编码向量，以便字节 0x00 进入字形“a”而 0x01 进入字形“b”等等。

现在回到半真半假。有一类字体由字符 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，但是再次有一个编码步骤，您可以将现在为 UTF16BE 的字符串映射到用于从字体中获取字形的 CID。并且没有特别好的理由，Adobe 使用 PostScript 函数来进行映射。再说一次，这大约是 3/4 的事实，因为对于旧的中文、日文和韩文字体管理也有不同的编码。

所以在你愉快地将一个字符放入一个 PDF 字体的字符串之前，你必须问几个问题：

1. 字体中有我的字形吗？
2. 我的字形是否在编码中？
3. 我的字形编码是什么？

其中任何一个都可能与您的预期不同。因此，例如，如果您想输入 Ä（一个 diresis），您必须查看该字体是否具有它的字形（可能不存在，因为该字体是一个子集）。那么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 内容中的一大段文本时，我看到的只是一个痛苦的世界。对于大多数理智的 PDF 来说，这在 90% 的情况下都有效，但对于任何异国情调的东西——祝你好运。 PDF 的文本渲染怪癖非常痛苦，有时更容易将其视为只写格式。

Answer 2

最后，似乎提取pdf文件中的字体的过程相当复杂。我无法明确使用字体，所以我在 PDFStreamEngine 的代码和扩展 OperatorProcessor 的类中进行了搜索，发现 PDFont 对象是如何创建到地图中的（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() 交互时使用检测到的字体对“字符串”中的每个字符调用 encode(...) 方法。