如何使用PDFBOX确定文本的人工粗体样式、人工斜体样式和人工轮廓样式

我正在使用PDFBox验证pdf文档。 检查PDF中的以下文本类型有一定的要求

• 人工粗体文本
• 人工斜体文本
• 人工轮廓样式文本

我确实在PDFBOX api列表中搜索过，但找不到这样的api

谁能帮我一下，告诉我如何使用PDFBOX确定PDF中存在的不同类型的人工字体/文本样式。

一般程序和PDFBOX问题 从理论上讲，我们应该首先从

PDFTextStripper

派生一个类并重写其方法：

/**
 * Write a Java string to the output stream. The default implementation will ignore the <code>textPositions</code>
 * and just calls {@link #writeString(String)}.
 *
 * @param text The text to write to the stream.
 * @param textPositions The TextPositions belonging to the text.
 * @throws IOException If there is an error when writing the text.
 */
protected void writeString(String text, List<TextPosition> textPositions) throws IOException
{
    writeString(text);
}

然后，您的覆盖应该使用

列表文本位置

，而不是

字符串文本

；每个

TextPosition

基本上代表一个字母以及绘制该字母时激活的图形状态信息

不幸的是，

textPositions

列表不包含当前版本1.8.3中的正确内容。例如，对于行“This is normal text.”从PDF中调用方法

writeString

，对字符串“This”、“is”、“normal”和“text”各调用一次。不幸的是，每次

textPositions

列表都包含最后一个字符串“text”的字母的

TextPosition

实例

事实证明，这已被确认为PDFBox问题，同时已解决版本1.8.4和2.0.0的问题

如上所述，一旦你有了一个固定的PDFBox版本，你就可以检查一些人工样式，如下所示：

人工斜体文本 此文本样式在页面内容中创建如下：

BT
/F0 1 Tf
24 0 5.10137 24 66 695.5877 Tm
0 Tr
[<03>]TJ
...

如果该值相关地大于0.0，则使用人造斜体。如果相对小于0.0，则使用人工向后斜体

人造粗体或轮廓文本 这些人工样式使用不同渲染模式的双重打印字母；e、 g.大写字母“T”，以粗体显示：

0 0 0 1 k
...
BT
/F0 1 Tf 
24 0 0 24 66.36 729.86 Tm 
<03>Tj 
4 M 0.72 w 
0 0 Td 
1 Tr 
0 0 0 1 K
<03>Tj
ET

因此，在此上下文中，颜色设置操作符（尤其是当前文档中用于CMYK颜色的操作符）被忽略！幸运的是，

PageDrawer

的这些操作符的实现也可以在这个上下文中使用

因此，下面的概念证明说明了如何检索所有必需的信息

public class TextWithStateStripperSimple extends PDFTextStripper
{
    public TextWithStateStripperSimple() throws IOException {
        super();
        setSuppressDuplicateOverlappingText(false);
        registerOperatorProcessor("K", new org.apache.pdfbox.util.operator.SetStrokingCMYKColor());
        registerOperatorProcessor("k", new org.apache.pdfbox.util.operator.SetNonStrokingCMYKColor());
    }

    @Override
    protected void processTextPosition(TextPosition text)
    {
        renderingMode.put(text, getGraphicsState().getTextState().getRenderingMode());
        strokingColor.put(text, getGraphicsState().getStrokingColor());
        nonStrokingColor.put(text, getGraphicsState().getNonStrokingColor());

        super.processTextPosition(text);
    }

    Map<TextPosition, Integer> renderingMode = new HashMap<TextPosition, Integer>();
    Map<TextPosition, PDColorState> strokingColor = new HashMap<TextPosition, PDColorState>();
    Map<TextPosition, PDColorState> nonStrokingColor = new HashMap<TextPosition, PDColorState>();

    protected void writeString(String text, List<TextPosition> textPositions) throws IOException
    {
        writeString(text + '\n');

        for (TextPosition textPosition: textPositions)
        {
            StringBuilder textBuilder = new StringBuilder();
            textBuilder.append(textPosition.getCharacter())
                       .append(" - shear by ")
                       .append(textPosition.getTextPos().getValue(1, 0))
                       .append(" - ")
                       .append(textPosition.getX())
                       .append(" ")
                       .append(textPosition.getY())
                       .append(" - ")
                       .append(renderingMode.get(textPosition))
                       .append(" - ")
                       .append(toString(strokingColor.get(textPosition)))
                       .append(" - ")
                       .append(toString(nonStrokingColor.get(textPosition)))
                       .append('\n');
            writeString(textBuilder.toString());
        }
    }

    String toString(PDColorState colorState)
    {
        if (colorState == null)
            return "null";
        StringBuilder builder = new StringBuilder();
        for (float f: colorState.getColorSpaceValue())
        {
            builder.append(' ')
                   .append(f);
        }

        return builder.toString();
    }
}

在人工黑体文本中，您可以看到

. - shear by 0.0 - 378.86 122.140015 - 0 -  0.0 0.0 0.0 1.0 -  0.0 0.0 0.0 1.0
. - shear by 0.0 - 378.86002 122.140015 - 1 -  0.0 0.0 0.0 1.0 -  0.0 0.0 0.0 1.0

用斜体字表示：

. - shear by 5.10137 - 327.121 156.4123 - 0 -  0.0 0.0 0.0 1.0 -  0.0 0.0 0.0 1.0

在人工轮廓中：

. - shear by 0.0 - 357.25 190.25 - 0 -  0.0 0.0 0.0 1.0 -  0.0 0.0 0.0 0.0
. - shear by 0.0 - 357.25 190.25 - 1 -  0.0 0.0 0.0 1.0 -  0.0 0.0 0.0 0.0

所以，这里有了识别这些人工样式所需的所有信息。现在你只需要分析数据

顺便说一句，看看人工加粗的情况：坐标可能并不总是相同的，但只是非常相似。因此，在测试两个文本位置对象是否描述了相同的位置时，需要一些宽容。

一般程序和PDFBox问题 从理论上讲，我们应该首先从

PDFTextStripper

派生一个类并重写其方法：

/**
 * Write a Java string to the output stream. The default implementation will ignore the <code>textPositions</code>
 * and just calls {@link #writeString(String)}.
 *
 * @param text The text to write to the stream.
 * @param textPositions The TextPositions belonging to the text.
 * @throws IOException If there is an error when writing the text.
 */
protected void writeString(String text, List<TextPosition> textPositions) throws IOException
{
    writeString(text);
}

然后，您的覆盖应该使用

列表文本位置

，而不是

字符串文本

；每个

TextPosition

基本上代表一个字母以及绘制该字母时激活的图形状态信息

不幸的是，

textPositions

列表不包含当前版本1.8.3中的正确内容。例如，对于行“This is normal text.”从PDF中调用方法

writeString

，对字符串“This”、“is”、“normal”和“text”各调用一次。不幸的是，每次

textPositions

列表都包含最后一个字符串“text”的字母的

TextPosition

实例

事实证明，这已被确认为PDFBox问题，同时已解决版本1.8.4和2.0.0的问题

如上所述，一旦你有了一个固定的PDFBox版本，你就可以检查一些人工样式，如下所示：

人工斜体文本 此文本样式在页面内容中创建如下：

BT
/F0 1 Tf
24 0 5.10137 24 66 695.5877 Tm
0 Tr
[<03>]TJ
...

如果该值相关地大于0.0，则使用人造斜体。如果相对小于0.0，则使用人工向后斜体

人造粗体或轮廓文本 这些人工样式使用不同渲染模式的双重打印字母；e、 g.大写字母“T”，以粗体显示：

0 0 0 1 k
...
BT
/F0 1 Tf 
24 0 0 24 66.36 729.86 Tm 
<03>Tj 
4 M 0.72 w 
0 0 Td 
1 Tr 
0 0 0 1 K
<03>Tj
ET

因此，在此上下文中，颜色设置操作符（尤其是当前文档中用于CMYK颜色的操作符）被忽略！幸运的是，

PageDrawer

的这些操作符的实现也可以在这个上下文中使用

因此，下面的概念证明说明了如何检索所有必需的信息

public class TextWithStateStripperSimple extends PDFTextStripper
{
    public TextWithStateStripperSimple() throws IOException {
        super();
        setSuppressDuplicateOverlappingText(false);
        registerOperatorProcessor("K", new org.apache.pdfbox.util.operator.SetStrokingCMYKColor());
        registerOperatorProcessor("k", new org.apache.pdfbox.util.operator.SetNonStrokingCMYKColor());
    }

    @Override
    protected void processTextPosition(TextPosition text)
    {
        renderingMode.put(text, getGraphicsState().getTextState().getRenderingMode());
        strokingColor.put(text, getGraphicsState().getStrokingColor());
        nonStrokingColor.put(text, getGraphicsState().getNonStrokingColor());

        super.processTextPosition(text);
    }

    Map<TextPosition, Integer> renderingMode = new HashMap<TextPosition, Integer>();
    Map<TextPosition, PDColorState> strokingColor = new HashMap<TextPosition, PDColorState>();
    Map<TextPosition, PDColorState> nonStrokingColor = new HashMap<TextPosition, PDColorState>();

    protected void writeString(String text, List<TextPosition> textPositions) throws IOException
    {
        writeString(text + '\n');

        for (TextPosition textPosition: textPositions)
        {
            StringBuilder textBuilder = new StringBuilder();
            textBuilder.append(textPosition.getCharacter())
                       .append(" - shear by ")
                       .append(textPosition.getTextPos().getValue(1, 0))
                       .append(" - ")
                       .append(textPosition.getX())
                       .append(" ")
                       .append(textPosition.getY())
                       .append(" - ")
                       .append(renderingMode.get(textPosition))
                       .append(" - ")
                       .append(toString(strokingColor.get(textPosition)))
                       .append(" - ")
                       .append(toString(nonStrokingColor.get(textPosition)))
                       .append('\n');
            writeString(textBuilder.toString());
        }
    }

    String toString(PDColorState colorState)
    {
        if (colorState == null)
            return "null";
        StringBuilder builder = new StringBuilder();
        for (float f: colorState.getColorSpaceValue())
        {
            builder.append(' ')
                   .append(f);
        }

        return builder.toString();
    }
}

在人工黑体文本中，您可以看到

. - shear by 0.0 - 378.86 122.140015 - 0 -  0.0 0.0 0.0 1.0 -  0.0 0.0 0.0 1.0
. - shear by 0.0 - 378.86002 122.140015 - 1 -  0.0 0.0 0.0 1.0 -  0.0 0.0 0.0 1.0

用斜体字表示：

. - shear by 5.10137 - 327.121 156.4123 - 0 -  0.0 0.0 0.0 1.0 -  0.0 0.0 0.0 1.0

在人工轮廓中：

. - shear by 0.0 - 357.25 190.25 - 0 -  0.0 0.0 0.0 1.0 -  0.0 0.0 0.0 0.0
. - shear by 0.0 - 357.25 190.25 - 1 -  0.0 0.0 0.0 1.0 -  0.0 0.0 0.0 0.0

所以，这里有了识别这些人工样式所需的所有信息。现在你只需要分析数据

---

顺便说一句，看看人工加粗的情况：坐标可能并不总是相同的，但只是非常相似。因此，在测试两个文本位置对象是否描述了相同的位置时需要一些宽容。

我解决此问题的方法是创建一个新类，扩展PDFTextStripper类并重写函数：

 private void extractTextPosition() throws FileNotFoundException, IOException {

    PDFParser parser = new PDFParser(new FileInputStream(pdf));
    parser.parse();
    StringWriter outString = new StringWriter();
    CustomPDFTextStripper stripper = new CustomPDFTextStripper();
    stripper.writeText(parser.getPDDocument(), outString);
    Vector<List<TextPosition>> vectorlistoftps = stripper.getCharactersByArticle();
    for (int i = 0; i < vectorlistoftps.size(); i++) {
        List<TextPosition> tplist = vectorlistoftps.get(i);
        for (int j = 0; j < tplist.size(); j++) {
            TextPosition text = tplist.get(j);
            System.out.println(" String "
          + "[x: " + text.getXDirAdj() + ", y: "
          + text.getY() + ", height:" + text.getHeightDir()
          + ", space: " + text.getWidthOfSpace() + ", width: "
          + text.getWidthDirAdj() + ", yScale: " + text.getYScale() + "]"
          + text.getCharacter());
        }       
    }
}

getCharactersByArticle（）

注：PDFBox版本1.8.5

CustomPDFTextStripper类

public class CustomPDFTextStripper extends PDFTextStripper
{
    public CustomPDFTextStripper() throws IOException {
    super();
    }

    public Vector<List<TextPosition>> getCharactersByArticle(){
    return charactersByArticle;
    }
}

public类CustomPDFTextStripper扩展了PDFTextStripper
{
public CustomPDFTextStripper（）引发IOException{
超级（）；
}
公共向量getCharactersByArticle（）{
返回字符标签；
}
}

通过这种方式，我可以解析pdf文档，然后从自定义提取中获取TextPosition