使用 Java PDFBox 库编写俄语 PDF

Question

我正在使用一个名为 PDFBox 的 Java 库尝试将文本写入 PDF。它非常适合英文文本，但是当我尝试在 PDF 中写俄文文本时，字母看起来很奇怪。似乎问题出在使用的字体上，但我不太确定，所以我希望有人能指导我完成这个。这是重要的代码行：

PDTrueTypeFont font = PDTrueTypeFont.loadTTF( pdfFile, new File( "fonts/VREMACCI.TTF" ) );  // Windows Russian font imported to write the Russian text.
font.setEncoding( new WinAnsiEncoding() );  // Define the Encoding used in writing.
// Some code here to open the PDF & define a new page.
contentStream.drawString( "отделом компьютерной" ); // Write the Russian text.

WinAnsiEncoding 源代码为：Click here

--------------------- 2009 年 11 月 18 日编辑

经过一番调查，我现在确定这是一个编码问题，这可以通过使用名为 DictionaryEncoding 的有用 PDFBox 类定义我自己的编码来解决。

我不知道如何使用它，但这是我迄今为止尝试过的：

COSDictionary cosDic = new COSDictionary();
cosDic.setString( COSName.getPDFName("Ercyrillic"), "0420 " ); // Russian letter.
font.setEncoding( new DictionaryEncoding( cosDic ) );

这不起作用，因为我似乎以错误的方式填写字典，当我使用它编写 PDF 页面时，它显示为空白。

DictionaryEncoding 源码为：Click here

Answer 1

长话短说——为了从 TrueType 字体以 PDF 格式输出 unicode，输出必须包含大量详细且看似多余的信息。它归结为 - 在 TrueType 字体中，字形存储为字形 ID。这些字形 id 与特定的 unicode 字符相关联（和 IIRC，内部的 unicode 字形可能指代几个代码点 - 比如 é 指代 e 和一个尖锐的重音 - 我的记忆很模糊）。除了说存在从字符串中的 UTF16BE 值到 TrueType 字体中的字形 id 的映射以及从 UTF16BE 值到 Unicode 的映射（即使它是标识）之外，PDF 并没有真正的 unicode 支持。

• 子类型 Type0 的字体字典
  • 一个 DescendantFonts 数组，其条目如下所述
  • 将 UTF16BE 值映射到 unicode 的 ToUnicode 条目
  • 编码设置为 Identity-H

我在自己的工具上进行的一项单元测试的输出如下所示：

13 0 obj
<< 
   /BaseFont /DejaVuSansCondensed 
   /DescendantFonts [ 4 0 R  ]   
   /ToUnicode 14 0 R 
   /Type /Font 
   /Subtype /Type0 
   /Encoding /Identity-H 
>> endobj

14 0 obj
<< /Length 346 >> stream
/CIDInit /ProcSet findresource begin 12 dict begin begincmap /CIDSystemInfo <<
/Registry (Adobe) /Ordering (UCS) /Supplement 0 >> def /CMapName /Adobe-Identity-UCS
def /CMapType 2 def 1 begincodespacerange <0000> <FFFF> endcodespacerange 1
beginbfrange <0000> <FFFF> <0000> endbfrange endcmap CMapName currentdict /CMap
defineresource pop end end

endstream % 注意流的格式错误

• 子类型 CIDFontTYpe2 的字体字典
  • CIDSsytemInfo
  • 一个字体描述符
  • DW 和 W
  • 从字符 ID 映射到字形 ID 的 CIDToGIDMap

这是来自同一测试的一个 - 这是 DescendantFonts 数组中的对象：

4 0 obj
<< 
   /Subtype /CIDFontType2 
   /Type /Font 
   /BaseFont /DejaVuSansCondensed 
   /CIDSystemInfo 8 0 R 
   /FontDescriptor 9 0 R 
   /DW 1000 
   /W 10 0 R 
   /CIDToGIDMap 11 0 R 
>>

8 0 obj
<< 
   /Registry (Adobe)
   /Ordering (UCS)
   /Supplement 0 
>>
endobj

我为什么要告诉你这个？它与 PDFBox 有什么关系？就是这样：坦率地说，PDF 中的 Unicode 输出是一件让人头疼的事情。 Acrobat 是在 Unicode 出现之前开发的，从一开始就没有 Unicode 的 CJK 编码很痛苦（我知道 - 我当时在 Acrobat 上工作）。后来添加了对 Unicode 的支持，但它真的感觉像是被蒙上了一层阴影。有人会希望您只说 /Encoding /Unicode 并拥有以 thorn 和 y-dieresis 字符开头的字符串，然后就可以了。没有这样的运气。如果你没有把每一个细节都放进去（实际上，Acrobat，嵌入了一个 PostScript 程序来翻译成 Unicode？WTH？），你​​会在 Acrobat 中得到一个空白页。我发誓，这不是我编造的。

此时，我为一家单独的公司编写 PDF 生成工具（现在是 .NET，所以它对您没有帮助），并且我将隐藏所有废话作为设计目标。所有文本都是 unicode - 如果您只使用与 WinAnsi 相同的字符代码，那就是您在后台得到的。使用其他任何东西，你会得到所有其他的东西。如果 PDFBox 为您工作，我会感到惊讶 - 这是一个严重的麻烦。

Answer 2

解决方案非常简单。

1) 您必须找到与要显示的字符兼容的字体。
2) 将字体的.ttf文件下载到本地。
3) 从您的应用程序加载字体

例如，如果您想使用希腊字符，您必须这样做：

content = new PDPageContentStream(document, page);
pdfFont = PDType0Font.load( document, new File( "arialuni.ttf" ) )
content.setFont(pdfFont, fontSize);

Answer 3

尝试使用这种结构：

PDFont font = PDType0Font.load( pdfFile, new File( "fonts/VREMACCI.TTF" ) );  // Windows Russian font imported to write the Russian text.
// Some code here to open the PDF & define a new page.
contentStream.beginText();
contentStream.setFont(font, 12);
contentStream.showText( "отделом компьютерной" ); // Write the Russian text.
contentStream.endText();

Answer 4

也许需要编写俄语编码类，我想它应该看起来像WinAnsiEncoding 之一。
现在，我不知道该放什么！

或者，如果您还没有这样做，也许您应该将源文件编码为 UTF-8 并使用默认编码。
我看到了一些与从现有 PDF 文件中提取俄语文本相关的消息（当然使用 PDFBox），但我不知道输出是否相关。
您也可以写信给 PDFBox 邮件列表。

Answer 5

测试这是否是一个编码问题应该很容易做到（只需切换到 UTF16 编码）。

我假设您已尝试使用带有 VREMACCI 字体的编辑器或其他工具，并确认它以您期望的方式显示？

您可能想尝试在 iText 中做同样的事情，只是为了了解问题是否与 PdfBox 库本身有关...如果您的主要目标是生成 PDF 文件，那么 iText 可能是一个更好的解决方案.

编辑 - 对 cme​​ts 的长回答：

好的-对于编码问题的来回感到抱歉...您的核心问题（您可能已经知道）是写入内容流的字节编码与用于查看的编码不同向上字形。现在我会尽力提供帮助：

我查看了 PdfBox 中的字典编码类，它看起来很不直观……有问题的“字典”是 PDF 字典。所以你基本上需要做的是创建一个 Pdf 字典对象（我认为 PdfBox 将其称为 COSObject 的一种），然后向其中添加条目。

字体的编码在 PDF 中定义为字典（参见上述规范的第 266 页）。该字典包含一个基本编码名称，以及一个可选的差异数组。从技术上讲，差异数组不应该与真字体一起使用（尽管我已经看到它在某些情况下使用过 - 但不要使用它）。

然后，您将为编码的 cmap 指定一个条目。此 cmap 将是您字体的编码。

我的建议是采用现有的 PDF 来满足您的需求，然后获取该字体的字典结构转储，以便您查看它的外观。

这绝对不适合胆小的人。我可以提供一些帮助 - 如果您需要字典转储，请给我一个带有示例 PDF 的超链接，我将通过我在 iText 开发中使用的一些算法运行它（我是 iText 文本提取子的维护者-系统）。

编辑 - 2009 年 11 月 17 日

好的 - 这是来自 russian.pdf 文件的字典转储（子字典以缩进方式列出，并按照它们在包含字典中出现的顺序）：

(/CropBox=[0, 0, 595, 842], /Parent=Dictionary of type: /Pages, /Type=/Page, /Contents=[209 0 R, 210 0 R, 211 0 R, 214 0 R, 215 0 R, 216 0 R, 222 0 R, 223 0 R], /Resources=Dictionary, /MediaBox=[0, 0, 595, 842], /StructParents=0, /Rotate=0)
    Subdictionary /Parent = (/Type=/Pages, /Count=6, /Kids=[195 0 R, 1 0 R, 3 0 R, 5 0 R, 7 0 R, 9 0 R])
    Subdictionary /Resources = (/ExtGState=Dictionary, /ProcSet=[/PDF, /Text], /ColorSpace=Dictionary, /Font=Dictionary, /Properties=Dictionary)
        Subdictionary /ExtGState = (/GS0=Dictionary of type: /ExtGState)
            Subdictionary /GS0 = (/OPM=1, /op=false, /Type=/ExtGState, /SA=false, /OP=false, /SM=0.02)
        Subdictionary /ColorSpace = (/CS0=[/ICCBased, 228 0 R])
        Subdictionary /Font = (/C2_1=Dictionary of type: /Font, /C2_2=Dictionary of type: /Font, /C2_3=Dictionary of type: /Font, /C2_4=Dictionary of type: /Font, /TT2=Dictionary of type: /Font, /TT1=Dictionary of type: /Font, /TT0=Dictionary of type: /Font, /C2_0=Dictionary of type: /Font, /TT3=Dictionary of type: /Font)
            Subdictionary /C2_1 = (/DescendantFonts=[243 0 R], /BaseFont=/LDMIEC+TimesNewRomanPS-BoldMT, /Type=/Font, /Subtype=/Type0, /Encoding=/Identity-H, /ToUnicode=Stream)
            Subdictionary /C2_2 = (/DescendantFonts=[233 0 R], /BaseFont=/LDMIBO+TimesNewRomanPSMT, /Type=/Font, /Subtype=/Type0, /Encoding=/Identity-H, /ToUnicode=Stream)
            Subdictionary /C2_3 = (/DescendantFonts=[224 0 R], /BaseFont=/LDMIHD+TimesNewRomanPS-ItalicMT, /Type=/Font, /Subtype=/Type0, /Encoding=/Identity-H, /ToUnicode=Stream)
            Subdictionary /C2_4 = (/DescendantFonts=[229 0 R], /BaseFont=/LDMIDA+Tahoma, /Type=/Font, /Subtype=/Type0, /Encoding=/Identity-H, /ToUnicode=Stream)
            Subdictionary /TT2 = (/LastChar=58, /BaseFont=/LDMIFC+TimesNewRomanPS-BoldMT, /Type=/Font, /Subtype=/TrueType, /Encoding=/WinAnsiEncoding, /Widths=[250, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 250, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 333], /FontDescriptor=Dictionary of type: /FontDescriptor, /FirstChar=32)
                Subdictionary /FontDescriptor = (/Type=/FontDescriptor, /StemV=136, /Descent=-216, /FontWeight=700, /FontBBox=[-558, -307, 2000, 1026], /CapHeight=656, /FontFile2=Stream, /FontStretch=/Normal, /Flags=34, /XHeight=0, /FontFamily=Times New Roman, /FontName=/LDMIFC+TimesNewRomanPS-BoldMT, /Ascent=891, /ItalicAngle=0)
            Subdictionary /TT1 = (/LastChar=187, /BaseFont=/LDMICP+TimesNewRomanPSMT, /Type=/Font, /Subtype=/TrueType, /Encoding=/WinAnsiEncoding, /Widths=[250, 0, 0, 0, 0, 833, 778, 0, 333, 333, 0, 0, 250, 333, 250, 278, 500, 500, 500, 500, 500, 500, 500, 500, 500, 500, 278, 278, 0, 564, 0, 444, 0, 722, 667, 667, 722, 611, 556, 0, 722, 333, 389, 0, 611, 889, 722, 722, 556, 0, 667, 556, 611, 0, 722, 944, 0, 722, 0, 333, 0, 333, 0, 500, 0, 444, 500, 444, 500, 444, 333, 500, 500, 278, 0, 500, 278, 778, 500, 500, 500, 0, 333, 389, 278, 500, 500, 722, 0, 500, 444, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 500, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 500, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 500], /FontDescriptor=Dictionary of type: /FontDescriptor, /FirstChar=32)
                Subdictionary /FontDescriptor = (/Type=/FontDescriptor, /StemV=82, /Descent=-216, /FontWeight=400, /FontBBox=[-568, -307, 2000, 1007], /CapHeight=656, /FontFile2=Stream, /FontStretch=/Normal, /Flags=34, /XHeight=0, /FontFamily=Times New Roman, /FontName=/LDMICP+TimesNewRomanPSMT, /Ascent=891, /ItalicAngle=0)
            Subdictionary /TT0 = (/LastChar=55, /BaseFont=/LDMIBN+TimesNewRomanPS-BoldItalicMT, /Type=/Font, /Subtype=/TrueType, /Encoding=/WinAnsiEncoding, /Widths=[250, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 250, 0, 500, 500, 500, 0, 0, 0, 0, 500], /FontDescriptor=Dictionary of type: /FontDescriptor, /FirstChar=32)
                Subdictionary /FontDescriptor = (/Type=/FontDescriptor, /StemV=116.867004, /Descent=-216, /FontWeight=700, /FontBBox=[-547, -307, 1206, 1032], /CapHeight=656, /FontFile2=Stream, /FontStretch=/Normal, /Flags=98, /XHeight=468, /FontFamily=Times New Roman, /FontName=/LDMIBN+TimesNewRomanPS-BoldItalicMT, /Ascent=891, /ItalicAngle=-15)
            Subdictionary /C2_0 = (/DescendantFonts=[238 0 R], /BaseFont=/LDMHPN+TimesNewRomanPS-BoldItalicMT, /Type=/Font, /Subtype=/Type0, /Encoding=/Identity-H, /ToUnicode=Stream)
            Subdictionary /TT3 = (/LastChar=169, /BaseFont=/LDMIEB+Tahoma, /Type=/Font, /Subtype=/TrueType, /Encoding=/WinAnsiEncoding, /Widths=[313, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 546, 0, 546, 0, 0, 546, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 929], /FontDescriptor=Dictionary of type: /FontDescriptor, /FirstChar=32)
                Subdictionary /FontDescriptor = (/Type=/FontDescriptor, /StemV=92, /Descent=-206, /FontWeight=400, /FontBBox=[-600, -208, 1338, 1034], /CapHeight=734, /FontFile2=Stream, /FontStretch=/Normal, /Flags=32, /XHeight=546, /FontFamily=Tahoma, /FontName=/LDMIEB+Tahoma, /Ascent=1000, /ItalicAngle=0)
        Subdictionary /Properties = (/MC0=Dictionary of type: /OCMD)
            Subdictionary /MC0 = (/Type=/OCMD, /OCGs=Dictionary of type: /OCG)
                Subdictionary /OCGs = (/Usage=Dictionary, /Type=/OCG, /Name=HeaderFooter)
                    Subdictionary /Usage = (/CreatorInfo=Dictionary, /PageElement=Dictionary)
                        Subdictionary /CreatorInfo = (/Creator=Acrobat PDFMaker 6.0 äëÿ Word)
                        Subdictionary /PageElement = (/SubType=/HF)

这里有很多活动部件。你可能想把一个只有 3 或 4 个字符的测试文档放在一起……这里使用了很多 type-1 字体（除了 TT 字体），所以很难说您的特定问题涉及什么。

（你确定你至少不想用 iText 试试这个吗？;-) 我并不是说它会起作用，只是它可能值得一试）。

作为参考，上面的字典转储是使用 com.lowagie.text.pdf.parser.PdfContentReaderTool 类获得的

Answer 6

试试这个：

Phrase leftTitle = new Phrase("САНКТ-ПЕТЕРБУРГ", FontFactory.getFont("Tahoma", "Cp1251", true, 25));

这至少适用于最新的 (5.0.1) iText