我一直在 Java 项目中使用 PDFBOX 2.0.0 版将 pdf 转换为文本。
我的几个 pdf 缺少 ToUnicode 方法,所以当我导出它们时,它们会以乱码形式出现。2016-09-14 10:44:55 WARN org.apache.pdfbox.pdmodel.font.PDSimpleFont(1):322 - No Unicode mapping for 694 (30) in font MPBAAA+F1
在上面的 WARN 中,不是真实字符,而是一个乱码 unicode (30)。
我能够通过编辑 additional.txt
来克服它。 pdfbox 中的文件,因为从反复试验中我了解到字符的代码(在这种情况下为 694)代表某个希伯来字母(צ)。
这是我在文件中编辑的内容的简短示例:
-694;05E6 #HexaDecimal value for the letter צ
-695;05E7
-696;05E8
后来我在不同的 pdf 上遇到了几乎相同的警告,但我没有得到任何字符,而不是乱码。
可以在此处查看此问题的更详细说明 - pdf reading via pdfbox in java
2016-09-14 11:07:10 WARN org.apache.pdfbox.pdmodel.font.PDType0Font(1):431 - No Unicode mapping for CID+694 (694) in font ABCDEE+Tahoma,Bold
如您所见,警告来自不同的类(
PDType0Font
)而不是第一个警告( PDSimpleFont
),但是它们的代号 (694) 是相同的,并且它们都在谈论相同的内容特点。除了
additional.txt
之外,还有其他我应该编辑的文件吗?将 694 代码(希伯来字母 צ)指向正确的 unicode?谢谢
最佳答案
下面是一些在字体中添加 ToUnicode CMap 流的代码。显然我不能用你的文件来做,所以我用了我的一个测试文件,可以找到 here .我不得不单独处理每个条目,并没有完成所有工作。然而,结果足以提取绿色打印中的第一个单词(“Bedingungen”)。
该场景有点适合您:
try (PDDocument doc = PDDocument.load(f))
{
for (int p = 0; p < doc.getNumberOfPages(); ++p)
{
PDPage page = doc.getPage(p);
PDResources res = page.getResources();
for (COSName fontName : res.getFontNames())
{
PDFont font = res.getFont(fontName);
COSBase encoding = font.getCOSObject().getDictionaryObject(COSName.ENCODING);
if (!COSName.IDENTITY_H.equals(encoding))
{
continue;
}
// get real name
String fname = font.getName();
int plus = fname.indexOf('+');
if (plus != -1)
{
fname = fname.substring(plus + 1);
}
if (font.getCOSObject().containsKey(COSName.TO_UNICODE))
{
continue;
}
System.out.println("File '" + f.getName() + "', page " + (p + 1) + ", " + fontName.getName() + ", " + font.getName());
if (!fname.startsWith("Calibri-Bold"))
{
continue;
}
COSStream toUnicodeStream = new COSStream();
try (PrintWriter pw = new PrintWriter(toUnicodeStream.createOutputStream(COSName.FLATE_DECODE)))
{
// "9.10 Extraction of Text Content" in the PDF 32000 specification
pw.println ("/CIDInit /ProcSet findresource begin\n" +
"12 dict begin\n" +
"begincmap\n" +
"/CIDSystemInfo\n" +
"<< /Registry (Adobe)\n" +
"/Ordering (UCS) /Supplement 0 >> def\n" +
"/CMapName /Adobe-Identity-UCS def\n" +
"/CMapType 2 def\n" +
"1 begincodespacerange\n" +
"<0000> <FFFF>\n" +
"endcodespacerange\n" +
"10 beginbfchar\n" + // number is count of entries
"<0001><0020>\n" + // space
"<0002><0041>\n" + // A
"<0003><0042>\n" + // B
"<0004><0044>\n" + // D
"<0013><0065>\n" + // e
"<0012><0064>\n" + // d
"<0017><0069>\n" + // i
"<001B><006E>\n" + // n
"<0015><0067>\n" + // g
"<0020><0075>\n" + // u
"endbfchar\n" +
"endcmap CMapName currentdict /CMap defineresource pop end end");
}
font.getCOSObject().setItem(COSName.TO_UNICODE, toUnicodeStream);
}
}
doc.save("huhu.pdf");
}
顺便说一句,未发布的 2.1 版本的 PDFDebugger 有一些改进的功能来显示字体,你可以得到它 here :
您可以使用它来验证您的 ToUnicode CMap 是否有意义。以下是我所做的更改:
关于java - 如何在 pdfbox 2.0.0 上的 truetype0font 中添加 unicode?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39485920/