使用iText“重新分页”PDF

Question

免责声明：

我使用的是iText5。我知道这通常不受欢迎（相对于使用iText7)，但我正在使用大量使用iText5的遗留代码，升级不在我的控制范围内。

null

进展/办法：

我扩展了SimpleTextExtractionStrategy以生成包含字体信息（大小和系列、粗体或斜体等）以及位置信息（相对于绝对坐标系，原点位于输入PDF第一页的左上角）的XML。

然后逐页生成一个新的PDF（根据上面概述的要求，每个页都是所需的长度），根据每个新页的边界使用LINQ过滤提取的XML信息，并使用columntext.showtextaligned(...)在适当的位置添加适当格式化的文本。

上面概述的方法很好。它生成具有所需页面结构的PDFs，但在翻译中丢失了一些信息，即彩色文本和下划线文本。虽然彩色文本不应该在这些PDF中看到，但带下划线的文本绝对必须被检测到。

这组需求还应该包括带有表格的PDF。我最初计划为表PDF实现一个不同的模块，该模块遵循相同的接口，因为这些PDF与从RTF生成的PDF是分开生成和使用的，而且iText内置了相对较强的表功能。

上面概述的两个问题，加上我所描述的方法源于重用现有代码的尝试，使我相信可能需要一种完全不同的方法，或者至少要好得多。在我看来，应该有一种方法来捕获内容字节信息，并根据需要对其进行剪辑，以便“重新分页”输入PDF，只需要担心沿着页面边界移动内容。

我以前没有注意到这一点，但我重用字体的方式（类似于此）导致了一些意想不到的（但记录在案的）行为。我似乎需要避免在文本级别提取重新分页的信息，因为这将很难确保输入和输出之间的字体连续性。

Answer 1

我前一段时间解决了这个问题，但我想我会张贴我的解决方案。我肯定这不是最有效的解决方案，但它对我的目的很有效。请注意，这将重新分页PDF，如问题中所述，只包含文本。表PDF单独处理。

基本过程如下：

1. 使用自定义TextExtractionStrategy提取包含有关输入PDF中所有文本的上升线和下降线信息的XML，以及它最初出现在哪个页面上。
2. 给定问题中描述的页长要求（第一页=输入值，后续=标准长度，最后一页=适合内容）和关于文本位置的XML信息，确定输出PDF的每一页适合什么内容。创建每个输入页面需要裁剪的位置（顶部和底部，请注意每个输入页面可能被裁剪不止一次）的映射，以及在最终输出中需要“连接”哪些被裁剪的页面的映射。
3. 将输入的PDF逐页复制到中间临时PDF（使用pdfcopier)。如果一个输入页面必须被裁剪不止一次（例如：第一个2英寸的输入页面1=第1页输出，下一个6英寸的输入页面1=第2页输出，最后0.5英寸的输入页面1=第3页输出的顶部），请确保复制该页面的次数适当（每次裁剪1次）。
4. 适当裁剪中间复制PDF的每一页。这是通过修改mediabox和/或cropbox来实现的。
5. 将适当裁剪的页面连接到最终输出PDF的页面中。我使用pdfwriter首先创建适当高度的新页，然后使用contentbyte.addtemplate（inputCroppedPage,0,bottomOfLastAddedCroppedPage).
在输出PDF页字节内容的适当位置html" target="_blank">添加每个适当裁剪的页

步骤1中提到的TextExtractionStrategy就是受这个答案的启发。实际上，我使用system.XML.linq来创建XML文档，而不是将字符串连接起来形成HTML，并且忽略了任何字体信息，只存储了关于文本在页面中的位置的信息（您将看到这些信息在链接的答案中可用，只是没有写入最终的HTML中）。