Java PDFBox-使用特殊字符（变音符）读取和修改pdf

Question

我正在尝试使用这种方法修改一个pdf（第一个代码块--使用PDFStreamParser并通过PDFOperator，然后在需要时更新COSString）：

http://www.coderanch.com/t/556009/open-source/pdfbox-replace-string-double-pdf

我有一些UTF-8字符（变音符）的问题：当我打印要更新的文本时，显示“societ？？ii na？ionale”（其中‘？’是像0002或0004这样的代码）。

有趣的是：

1. 当我编写更新的pdf文件时，字符会正确显示（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，则文本被完美地提取出来。
3. 我尝试了两个pdfbox版本:1.5.0（其行为如上所述）和1.8.1（其中最终的、编写的pdf文件不能正确显示特殊字符，并且“空”字符串出现在文档中）

我可以为用于更新pdf的类做什么（配置）（或者至少尝试...）以便正确显示所有UTF-8字符？

编辑2：

我通过PDFTextStripper中的pdfbox源代码及其超类进行了搜索，我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());

final PDFont font = graphicsState.getTextState().getFont();

String c = font.encode( string, i, codeLength );

Answer 1

不能只是替换字符串中的文本。我不是轻率地说这些。多年前我曾在Acrobat上工作，在最初版本中做过文本搜索工具，因此我对文本编码问题有相当深入的理解。主要的问题是PDF中的每一个字符串都是以某种方式编码的。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喜欢使用非常灵活的字体编码方法，并鼓励重新编码。

所以让我们退一步，了解一下全貌。

PDF中的字符串中的一个字符，如果要用文本运算符显示，默认情况下，将被编码为一系列8位字符。为了确定为每个字节绘制什么字形，将该字节推入该字体的编码向量。编码向量将字节映射到字形名称，然后在字体中查找字形名称并绘制在页面上。请注意，这个描述是半真半假的（稍后更多）。

一些应用程序试图在生成的PDF中更加节省，因此它们查看所使用的字形，并决定嵌入字体的子集。如果它们只使用大小写罗马字母和数字，它们就会重建没有这些元素的字体，并且还可以选择重新索引它们，并提供一个编码向量，以便字节0x00转到字形'a'和0x01转到字形'b'，以此类推。

现在回到一半的真相。有一类字体是按字符ID（或CID）编码的，TrueType和OpenType字体就属于这一类。在本例中，您可以访问Unicode，但也有一个编码步骤，将字符串（现在为UTF16BE)映射到CID，用于从字体中获取字形。Adobe使用PostScript函数来进行映射，这并不是特别好的原因。同样，这是一个3/4的事实，因为对于较旧的中文、日文和韩文字体的管理，也有不同的编码。

因此，在您轻松地将一个字符放入PDF字体的字符串中之前，您必须问几个问题：

1. 字体中是我的字形吗？
2. 我的字形是否在编码中？
3. 我的字形的编码是什么？

而其中的任何一个都可能与你所期望的不同。例如，如果您想输入“（一个指示），您必须查看字体是否有它的字形（可能没有，因为字体是一个子集）。那么字体可能有一个有趣的编码，可能不包括字形。最后，用于“”的实际字节值可能不是标准的。

所以当我看到有人试图简单地替换PDF内容中的一大块文本时，我看到的只是一个痛苦的世界。对于大多数正常的PDF，90%的时间都是这样，但是对于任何异国情调的东西--祝你好运。PDF文本呈现的怪癖已经够痛苦的了，有时我们更容易把它看成是一种只写格式。