PDFBox pdf转图像生成重叠文本

Question

对于一个附带项目，我开始使用PDFBox将pdf文件转换为图像。这是我用来转换为图像文件的pdf文件https://bitcoin.org/bitcoin.pdf.

这是我正在使用的代码。调用PDFToImage的代码非常简单。但是输出的jpg图像文件看起来非常糟糕，插入了很多逗号，并且有一些重叠的文本。

    String [] args_2 =  new String[7];
    String pdfPath = "C:\\bitcoin.pdf";
    args_2[0] = "-startPage";
    args_2[1] = "1";
    args_2[2] = "-endPage";
    args_2[3] = "1";
    args_2[4] = "-outputPrefix";
    args_2[5] = "my_image_2";
    //args_2[6] = "-resolution";
    //args_2[7] = "1000";
    args_2[6] = pdfPath;
    try {
        PDFToImage.main(args_2);
    } catch (Exception e) {
        // TODO Auto-generated catch block
        e.printStackTrace();
    }

Answer 1

如果您查看日志记录输出（也许您需要在您的环境中激活日志记录）。您会看到许多类似的条目（使用PDFBox 1.8.5生成）：

Jun 16, 2014 8:40:43 AM org.apache.pdfbox.pdmodel.font.PDSimpleFont drawString
Warnung: Changing font on <t> from <Century Schoolbook Fett> to the default font
Jun 16, 2014 8:40:43 AM org.apache.pdfbox.pdmodel.font.PDSimpleFont drawString
Warnung: Changing font on <S> from <Times New Roman> to the default font
Jun 16, 2014 8:40:46 AM org.apache.pdfbox.pdmodel.font.PDSimpleFont drawString
Warnung: Changing font on <c> from <Arial> to the default font
Jun 16, 2014 8:40:52 AM org.apache.pdfbox.pdmodel.font.PDSimpleFont drawString
Warnung: Changing font on <i> from <Courier New> to the default font

因此，PDFBox使用不同于PDF所指示的字体来呈现文本。这解释了插入的大量逗号和重叠文本：

1. 不同的字体可能有不同的编码。看起来您的示例PDF使用了一种带有逗号的编码，其中PDFBox假定的默认字体具有空格字符

这一切的原因是PDFBox 1.8。x不支持所有类型的字体进行渲染。您可能想尝试PDFBox 2.0.0-SNAPSHOT，这是目前正在开发的新PDFBox。但请注意，渲染的类已经更改。

使用PDFBox 2.0.0-SNAPSHOT的当前状态（2014年6月中旬），可以如下方式渲染PDF：

PDDocument document = PDDocument.loadNonSeq(resource, null);
PDDocumentCatalog catalog = document.getDocumentCatalog();
@SuppressWarnings("unchecked")
List<PDPage> pages = catalog.getAllPages();

PDFRenderer renderer = new PDFRenderer(document);

for (int i = 0; i < pages.size(); i++)
{
    BufferedImage image = renderer.renderImage(i);
    ImageIO.write(image, "png", new File("bitcoin-convertToImage-" + i + ".png"));
}

其他PDFRenderer.renderImage重载允许您显式设置所需的分辨率。

PS：正如Tilman Hausherr所建议的，您可能希望将ImageIO. write调用替换为

    ImageIOUtil.writeImage(image, "bitcoin-convertToImage-" + i + ".png", 72);

ImageIOUtil是一个PDFBox助手类，它试图优化ImageIO写入程序的选择，并向图像html" target="_blank">文件添加DPI属性。

如果您使用不同的PDFRenderer.renderImage重载来设置分辨率，请记住相应地更改此处的最终参数72。