使用 PDFBox 将相同的文本重新写入现有的 PDF 文档

Question

这是一个非常重要的问题，我很想得到你的帮助。

我使用 PDFBox 创建了一个简单的 PDF 文档。 我正在尝试做的是读取现有文档，然后将相同的文本重新写入其中，并在相同的位置。

1) 首先我创建一个名为“Musique.pdf”的 PDF。

2)阅读此现有文档。

3)使用 PDFTextStripper 将文本提取到文档中。

3)查找文档中每个字符的位置（x、y、width、fs等）。

4) 创建一个必须包含每个字符的 x 和 y 的表，例如 tabel1 [0]=x1 tabel1[1]=y1 , table1[2]=x2, table1[3]=y2 等。

5) 然后创建一个 PDFContentStream 来将每个字符重新写入正确的位置。

问题是：

第一行写完了，但问题出在第二行。

"I notice that if we have for example a text formed of 3 lines and if we assume that it contains 225 characters,,so if we get the length of this text, we will put a length equal to 231,,so we can notice that it adds 2 spaces of the end of each line,, but when we search the position of each character, the program does not consider these added spaces"

请运行我下面的代码并告诉我如何解决这个问题。

到目前为止我的代码：

/*
 * To change this template, choose Tools | Templates
 * and open the template in the editor.
 */
package test;

import java.io.IOException;
import java.io.OutputStream;
import java.util.List;
import org.apache.pdfbox.cos.COSInteger;
import org.apache.pdfbox.cos.COSStream;
import org.apache.pdfbox.cos.COSString;
import org.apache.pdfbox.exceptions.COSVisitorException;
import org.apache.pdfbox.pdfparser.PDFStreamParser;
import org.apache.pdfbox.pdfwriter.ContentStreamWriter;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDResources;
import org.apache.pdfbox.pdmodel.common.PDRectangle;
import org.apache.pdfbox.pdmodel.common.PDStream;
import org.apache.pdfbox.pdmodel.edit.PDPageContentStream;
import org.apache.pdfbox.pdmodel.font.PDFont;
import org.apache.pdfbox.pdmodel.font.PDType1Font;
import org.apache.pdfbox.util.PDFOperator;
import org.apache.pdfbox.util.PDFTextStripper;
import org.apache.pdfbox.util.TextPosition;


public class Test extends PDFTextStripper{
private static final String src="...";
    private static int i;
    private static float[] table1;
    private static PDPageContentStream content;
    private static float jjj;

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


public static void createPdf(String src) throws IOException, COSVisitorException{


 //create  document named "Musique.pdf"

PDRectangle rec= new PDRectangle(400,400);
PDDocument document= null;
document= new PDDocument();
PDPage page= new PDPage(rec);
document.addPage(page);
PDFont font= PDType1Font.HELVETICA;
PDPageContentStream canvas1= new PDPageContentStream(document,page,true,true);
canvas1.setFont(font, 10);
canvas1.beginText();
canvas1.appendRawCommands("15 385 Td");
canvas1.appendRawCommands("(La musique est très importante dans notre vie moderne. Sans la musique, non)Tj\n");
canvas1.endText();
canvas1.close();
PDPageContentStream canvas2= new PDPageContentStream(document,page,true,true);
canvas2.setFont(font, 11);
canvas2.beginText();
canvas2.appendRawCommands("15 370 Td");
canvas2.appendRawCommands("(Donc il est très necessaire de jouer chaque jours la musique.)Tj\n");
canvas2.endText();
canvas2.close();
document.save("Musique.pdf");
document.close();

                 }

    /**
     * @param args the command line arguments
     */
    public static void main(String[] args) throws IOException, COSVisitorException {

Test tes= new Test();
tes.createPdf(src);

//read the existing document
PDDocument doc;
doc= PDDocument.load("Musique.pdf");
List pages = doc.getDocumentCatalog().getAllPages(); 
PDPage page = (PDPage) pages.get(0);
//extract the text existed in the document
PDFTextStripper stripper =new PDFTextStripper();
String texte=stripper.getText(doc);
PDStream contents = page.getContents();

  if(contents!=null){

      i=1;
      table1=new float[texte.length()*2]; 
      table1[0]=(float)15.0;
      //the function below call the processTextPosition procedure in order to find the position of each character and put each value in a case of table1
      tes.processStream(page, page.findResources(), page.getContents().getStream()); 

      //after execution of processTextPosition, the analysing of code continue to the below code:

 int iii=0;
int kkk=0;
//create a boucle of PDPageContentStream in order to re-write completly the text in the document
//when you run this code, you must notice a problem with the second line, so how to resolve this problem ?
PDFont font= PDType1Font.HELVETICA;
while(kkk<table1.length){
    content = new PDPageContentStream(doc,page,true,true);
    content.setFont(font, 10);
    content.beginText();
    jjj = 400-table1[kkk+1];
    content.appendRawCommands(""+table1[kkk]+" "+jjj+" Td");
    content.appendRawCommands("("+texte.charAt(iii)+")"+" Tj\n");
    content.endText();
    content.close();
    iii=iii+1;
    kkk=kkk+2;

}

  }
  //save the modified document
  doc.save("Modified-musique.pdf");
  doc.close();

}

      /**
     * @param text The text to be processed
     */

    public void processTextPosition(TextPosition text) {

        System.out.println("String[" + text.getXDirAdj() + ","
                + text.getYDirAdj() + " fs=" + text.getFontSize() + " xscale="
                + text.getXScale() + " height=" + text.getHeightDir() + " space="
                + text.getWidthOfSpace() + " width="
                + text.getWidthDirAdj() + "]" + text.getCharacter());

         if(i>1){
        table1[i]=text.getXDirAdj();
        System.out.println(table1[i]);
        i=i+1;
        table1[i]=text.getYDirAdj();
        System.out.println(table1[i]);
         i=i+1;
        }
        else{
        table1[i]=text.getYDirAdj(); 
        System.out.println(table1[i]);
        i=i+1;
         }    
    } 
}

最好的问候，

李斯特

Answer 1

你的概念和代码有缺点。

首先是概念：你的两个项目编号为3：

3)使用 PDFTextStripper 将文本提取到文档中。

3)查找文档中每个字符的位置（x、y、width、fs等）。

在我看来，将这两个步骤分开是个坏主意，因为通常您很难从文本提取中识别出分别对应的字符和从内容中识别出字形。

一般来说这会很困难，因为例如内容中的哪个e 字形对应于文本中的哪个e 字符？依靠内容流中出现的顺序与解析文本中的顺序相同，仅适用于非常简单的页面内容。

然后还有替换带来的其他问题：例如文本提取很可能会扩展连字，例如为您提供ff 为ff。

此外，还有在字体编码和字符串编码之间来回切换的问题，这可能会非常有损

此外，文本提取可能会将空白字符添加到内容中不存在的文本中。例如。它可以在识别到 y 方向的跳跃的地方添加换行符，或者在识别到 x 方向的跳跃的地方添加空格。

顺便说一句，这很可能是您观察的原因：

我注意到，例如，如果我们有一个由 3 行组成的文本，并且假设它包含 225 个字符，那么如果我们得到这个文本的长度，我们将把长度等于 231，所以我们可以注意到它在每行的末尾添加了2个空格，但是当我们搜索每个字符的位置时，程序并没有考虑这些添加的空格。

此外，您的代码会使 PDF 大小爆炸

5) 然后创建一个 PDFContentStream 来将每个字符重新写入正确的位置。

while(kkk<table1.length){
    content = new PDPageContentStream(doc,page,true,true);
    ...
}

我建议至少只创建一个额外的内容流...

从这样的开始怎么样：

// read the existing document
PDDocument doc;
doc = PDDocument.load(musiqueFileName);
List<?> pages = doc.getDocumentCatalog().getAllPages();
PDPage page = (PDPage) pages.get(0);

PDPageContentStream content = new PDPageContentStream(doc, page, true, true);

TestRewriter rewriter = new TestRewriter(content);
rewriter.processStream(page, page.findResources(), page.getContents().getStream());

content.close();

// save the modified document
doc.save(modifiedMusiqueFileName);
doc.close();

这里的 TestRewriter 也是 PDFTextStripper 的子类：

public static class TestRewriter extends PDFTextStripper
{
    final PDPageContentStream canvas;

    public TestRewriter(PDPageContentStream canvas) throws IOException
    {
        this.canvas = canvas;
    }

    /**
     * @param text
     *            The text to be processed
     */
    public void processTextPosition(TextPosition text)
    {
        try
        {
            PDFont font = PDType1Font.HELVETICA;
            canvas.setFont(font, 10);
            canvas.beginText();
            canvas.appendRawCommands("" + (text.getXDirAdj()) + " " + (400 - text.getYDirAdj()) + " Td");
            canvas.appendRawCommands("(" + text.getCharacter() + ")" + " Tj\n");
            canvas.endText();
        }
        catch(IOException e)
        {
            e.printStackTrace();
        }
    }
}

这仍然远非完美，但可以帮助您继续...

如果您需要并行解析实际文本，请集成更多PDFTextStripper 方法processTextPosition 以组合功能。