使用PDFBox后的编码问题

Question

我必须这么做

>

从pdf中提取文本，我大致使用了这个

f = IOUtility.getFileForPath(filePath);
RandomAccessFile randomAccessFile = new RandomAccessFile(f, "r");
PDFParser parser = new PDFParser(randomAccessFile);
parser.parse();
cosDoc = parser.getDocument();
pdfStripper = new PDFTextStripper();
pdDoc = new PDDocument(cosDoc);
pdfStripper.setStartPage(1);
pdfStripper.setEndPage(pdDoc.getNumberOfPages());
String parsedText = pdfStripper.getText(pdDoc);

缩放PDF

File PDFFile = IOUtility.getFileForPath(scaleConfig.getFilePath());
document = PDDocument.load(PDFFile);

for (PDPage page : document.getPages()) {
    PDRectangle cropBox = page.getCropBox();
    float tx = ((cropBox.getLowerLeftX() + cropBox.getUpperRightX()) * 0.03f) / 2;
    float ty = ((cropBox.getLowerLeftY() + cropBox.getUpperRightY()) * 0.03f) / 2;
    PDPageContentStream cs = new PDPageContentStream(document, page, PDPageContentStream.AppendMode.PREPEND, false, false);
    cs.transform(Matrix.getScaleInstance(0.97f, 0.97f));
    cs.transform(Matrix.getTranslateInstance(tx, ty));
    cs.close();
}
document.save(scaleConfig.getTargetFilePath());

最后在pdf的每一页上写些东西。我使用此处提到的14种受支持字体之一https://pdfbox.apache.org/1.8/cookbook/workingwithfonts.html.在这种情况下，泰晤士报是新罗马的。

File PDFFile = IOUtility.getFileForPath(writeConfig.getFilePath());
document = PDDocument.load(PDFFile);
for (PDPage page : document.getPages()) {
    PDFBoxHelper.fixRotation(document, page);
    writeStringOnPage(document, page, writeConfig);
}
document.save(writeConfig.getTargetFilePath());

用WriteStringOnPage做

contentStream = new PDPageContentStream(document, page, PDPageContentStream.AppendMode.APPEND, false, true);
WriteCoordinates writeCoordinates = WriteCoordinateFactory.buildCoordinates(writeConfig, page.getMediaBox());
contentStream.beginText();
// lower left x and lower left y are different after rotation so use those for your calculation
contentStream.newLineAtOffset(writeCoordinates.getX(), writeCoordinates.getY());
contentStream.setFont(writeConfig.getFont(), writeConfig.getFontSize());
contentStream.setNonStrokingColor(writeConfig.getFontColor());
contentStream.showText(writeConfig.getToWrite());
contentStream.endText();

由于公司原因，我忽略了签名和捕获块。我总是关闭内容流。

大多数情况下，经过处理的PDF文件在Chrome PDF Viewer、Acrobat Reader中以及导入BMD后看起来都很好。但在某些特定情况下，我似乎有编码问题，某些部分没有正确显示。我在PDF上添加的所有文本始终正确显示。

我意识到PDF中只有粗体打印的文本显示错误，所以我使用Adobe Acrobat Reader查看所使用的字体。

Arial和Arial，粗体被嵌入并使用Idity-H编码。由于所有内容都写为粗体，我得出结论，所有用Arial，粗体编写的文本都显示错误。处理pdf后，其他一切仍然正常。我不能添加pdf，因为它有客户数据，但这里有一些示例：

1. Rechnungs编号：--

如果在BMD中导入PDF而不进行PDFBox操作，则会正确显示。

我试图通过缩放和写作来缩小问题的范围，但问题两次都出现了。

我正在使用PDFBox 2.017和Java8。

当我只缩放pdf时也会发生错误，我使用PDFDebugger比较原始PDF：

缩放后的pdf：

唯一不同/关闭的是内容条目。

当我打开缩放后的PDF时，单击字体部分和Arial粗体字体，我会收到很多关于unicode映射的警告。PDF在PDFDebugger中正确显示。

我既不是PDFBox方面的专家，也不是字体和编码方面的专家，因此非常感谢您的帮助！

Answer 1

相关的区别是PDFBox序列化名称的方式不同。但是根据PDF规范的不同输出是等效的，所以您显然发现了WPViewPDF错误。

在原始PDF（raw.PDF）中，您可以找到名称NOWFJV Arial、Bold和NOWFJV Arial、Bold WinCharSetFFFF，在PDFBox操作的所有文件中，您可以找到内容流之外出现的所有名称，这些名称被NOWFJV Arial#2CBold和NOWFJV Arial#2CBold WinCharSetFFFF替换。

WPViewPDF无法正确显示使用这些更改名称的字体书写的文本。将PDF打回补丁，在这些名称中用逗号代替“#2C”后，WPViewPDF再次正确显示此类文本。

我假设WPViewPDF在内容流中找到NOWFJV Arial， Bold，并期望使用相同书写的名称在页面资源中找到匹配的字体定义，因此它无法识别名称NOWFJV Arial#2CBold。

根据PDF规范，

名称中的任何常规字符（NUMBER SIGN除外）都应写成本身或使用其2位十六进制代码，前面有NUMBER SIGN。

（ISO 32000-2，第7.3.5节“名称对象”）

因此，用“#2C”序列替换名称中的逗号是编写这些名称的一种完全有效的替代方法。

因此，不，它不是PDFBox错误，而是WPViewPDF错误。