使用 pdfbox 在 PDF/A-1a 中查找标记的内容

Question

我有一个我认为是由 apache fop 生成的 PDF/A-1a 文件，并且使用 pdfbox 中的 OverlayPDF 放置了一个覆盖信头。 preflight 将文件识别为正常（但显然只有 PDF/A-1b）并且 Acroreader 在文档属性中说它是“PDF/A”模式和“标记：是”。我想看看它的外观，以便我可以将 fop 调整为一些小的改进。

我的问题是，我在哪里可以查看标记的内容（即 PDF 中的文本表示是 char 输出的紧缩序列），最好不用自己编码，例如使用 pdfbox 中的调试器/PDFReader？我在那里有点迷失 - 是否有另一种方法获取文档结构的文本输出，例如到一个xml文件中使用编辑器搜索它？ - TIA！

编辑

信头本身最初是附言，并使用 ghostscript 转换为 PDF/A-1b，然后覆盖

java -jar pdfbox-app-2.0.0-RC3.jar OverlayPDF letter_plain.pdf \
   followingpages_letterhead.pdf -first firstpage_letterhead.pdf \
   letter_with_head.pdf

letter_plain.pdf 是使用 fop 生成的

fop -pdfprofile 'PDF/A-1a' -v -d -c my_fop_config.cfg -xml letter.xml \
   -xsl letter_to_fo.xsl -pdf letter_plain.pdf

使用的版本是 pdfbox 2.0 和 fop 1.1。

如果 letter_with_head.pdf 不再是 PDF/A-1a，那么问题将适用于 letter_plain.pdf，根据 fop 调用应该是 1a，必须选择不同的解决方案（如 svg）来那就把信笺拿进去。

编辑 2

示例 pdf 可在此处找到：https://www.magentacloud.de/share/j9qk7jfzyv - 无需单独的 followingpages_letterhead.pdf，因为示例只有一页。

编辑 3

我怀疑文本隐藏在 Root/StructTreeRoot/ParentTree/Nums/[1]/[3]/P/P/P/P/P/P 下方的某处（假设 P 以某种方式映射 fo:block 的）但无法从 pdf 中显示文本。

Answer 1

PDF 中的结构树条目映射到页面内容流中的标记内容。例如

中的条目

Root/StructTreeRoot/K/[0]/K/[0]/K/[1]/K/[0]/K/[0]/K/[0]/K/[0]

映射到页面内容流的这一部分

/Span << /MCID 0 >> BDC
  BT
    /F15 11 Tf
    1 0 0 -1 0 9.163 Tm
    [ (Bes) 15 (tell-Nr) 48 (. 1) 34 (23) 6 (456) 29 (7) 40 (8) ] TJ
  ET
EMC

可以看出，没有额外的定义，所以除了在这个示例序列中解析TJoperator 之外，没有容易显示的文本。所以标签只用来定义文档的结构，指向不同的构建块。

此外，还有一些关于辅助功能支持的信息。但这仅限于在结构树中指定 Langattribute。