Java PDFBox - 阅读和修改带有特殊字符(变音符号)的 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，它显示为“Societ? ?ii Na?ionale”(其中“?”是一个代码，例如0002 或 0004)。

有趣的是:

1. 当我编写更新后的 pdf 文件时，字符显示正确(即使我无法检测并替换它们)
2. 如果我尝试使用 PDFTextStripper 的 getText(...) 剥离文本，文本将被完美提取。
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，文档中出现“空”字符串)<

我可以对用于更新 pdf 的类做什么(或至少尝试...)以便正确显示所有 UTF-8 字符？

编辑:

屏幕截图:

编辑 2:

我在 PDFTextStripper 及其父类(super class)中搜索了 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());

当剥离 processEncodedText 中的文本时，PDFont 类的一个实例是这样使用的:

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，当我用相同的两行代码实例化一个 PDFont 类时，我得到一个“空”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

我正在挖掘更多......

Answer 1

您不能只替换字符串中的文本。我不会轻描淡写地说这个。很多年前在Acrobat上工作过，初版做的是文本搜索工具，所以对文本编码的问题有比较深刻的理解。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。

在默认情况下，PDF 中的字符串中的字符将被编码为一系列 8 位字符。为了确定为每个字节绘制的字形，字节被推送通过该字体的编码 vector 。编码 vector 将字节映射到字形名称，然后在字体中查找并绘制在页面上。请注意，此描述是半真半假的(稍后会详细介绍)。

大多数生成 PDF 的应用程序都很好，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之间的差异。

一些应用程序试图在它们生成的 PDF 中更加节俭，因此它们查看它们使用的字形并决定嵌入字体的一个子集。如果他们只使用大写和小写的罗马字母和数字，他们会在没有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，并提供一个编码 vector ，这样字节 0x00 进入字形“a”，0x01 进入字形 'b' 等等。

现在回到一半的真相。有一类字体是由字符 ID(或 CID)编码的，TrueType 和 OpenType 字体属于这一类。在这种情况下，您可以访问 Unicode，但同样有一个编码步骤，您将字符串(现在是 UTF16BE)映射到 CID，后者用于从字体中获取字形。并且没有特别好的理由，Adobe 使用 PostScript 函数来进行映射。同样，这是大约 3/4 的事实，因为对于中文、日文和韩文字体的旧管理也有不同的编码。

因此，在您愉快地将字符放入 PDF 字体的字符串之前，您必须问几个问题:

1. 我的字形在字体中吗？
2. 我的字形在编码中吗？
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，如果你想输入 Ä(a diresis)，你必须查看字体是否有它的字形(可能不存在，因为字体是一个子集)。然后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 内容中的一大块文本时，我所看到的只是一个痛苦的世界。对于大多数理智的 PDF，这将在 90% 的时间内起作用，但对于任何异国情调的东西 - 祝你好运。 PDF 的文本呈现怪癖非常令人痛苦，有时更容易将其视为只写格式。