Java PDFBox - 读取和修改带有特殊字符的pdf（变音符号）

Question

我正在尝试使用此方法修改pdf（第一个代码块 - 使用PDFStreamParser并迭代PDFOperator，然后在需要时更新COSString）：

http://www.coderanch.com/t/556009/open-source/PdfBox-Replace-String-double-pdf

我遇到了一些UTF-8字符（变音符号）的问题：当我打印我要更新的文本时，它显示为“Societ？？ii Na？ionale”（其中'？'是类似的代码0002或0004）。

有趣的事情是：

1. 当我写更新的pdf文件时，字符显示正确（即使我无法检测到并替换它们）
2. 如果我尝试使用PDFTextStripper的getText（...）去除文本，则会完美地提取文本。
3. 我尝试了2个pdfbox版本：1.5.0（表现如上所述）和1.8.1（最终写入的pdf文件没有正确显示特殊字符，文档中出现“null”字符串）

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

编辑：

屏幕截图：

编辑2：

我搜索了PDFTextStripper及其超类中的pdfbox源代码，然后我发现了文本的提取方式：

在processStream方法的开头我们有

graphicsState = new PDGraphicsState(aPage.findCropBox());

在processEncodedText中剥离文本时，像这样使用PDFont类的实例：

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

，文本从字节[]中提取：

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

新问题是当我用相同的2行代码实例化一个PDFont类时，我得到一个“null”字体类，因此我不能使用.encode（...）方法。 这些类的源代码在这里： http://grepcode.com/file/repo1.maven.org/maven2/org.apache.pdfbox/pdfbox/1.5.0/org/apache/pdfbox/util/PDFStreamEngine.java和http://grepcode.com/file/repo1.maven.org/maven2/org.apache.pdfbox/pdfbox/1.5.0/org/apache/pdfbox/util/PDFTextStripper.java

我正在挖掘更多......

Answer 1

您不能只替换字符串中的文本。我不轻易说。我多年前曾在Acrobat上工作，并在初始版本中使用了文本搜索工具，因此我对文本编码问题有了相当深刻的理解。主要问题是PDF中的每个字符串都以某种方式编码。这是因为PDF是在Unicode通常可用之前制作的，并且在PostScript中有历史记录。 PosctScript喜欢使用非常灵活的字体编码方法，并鼓励重新编码。

让我们退后一步，了解整个情况。

PDF格式的字符串中的字符默认情况下用文本运算符显示，编码为一系列8位字符。要确定为每个字节绘制的字形，将通过该字体的编码向量推送该字节。编码向量将字节映射到字形名称，然后在字体中查找并在页面上绘制。请注意，此描述是半真半假的（稍后）。

生成PDF的大多数应用都很友好，只使用标准编码，例如StandardEncoding或WinAnsiEncoding，其中大多数都非常合理。其他人将使用标准编码以及编码增量，这是从标准编码到编码的差异。

有些应用程序试图在它们生成的PDF中更加节俭，因此它们会查看它们使用的字形并决定嵌入字体的子集。如果他们只使用大写和小写罗马字母和数字，他们重建没有这些元素的字体，也可以选择重新索引它们并提供一个编码向量，使得字节0x00转到字形'a'，0x01转到字形'b'等等。

现在回到半真半假。有一类字符由字符ID（或CID）编码，TrueType和OpenType字体属于该类别。在这种情况下，您可以访问Unicode，但是还有一个编码步骤，您现在将字符串（现在为UTF16BE）映射到CID，该CID用于从字体中获取字形。并且由于没有特别好的理由，Adobe使用PostScript函数进行映射。同样，这是一个3/4的真相，因为对于中文，日文和韩文字体的旧管理，也有不同的编码。

因此，在您轻松地将字符放入PDF字体的字符串之前，您必须提出几个问题：

1. 我的字形是否为字体？
2. 我的字形是否在编码中？
3. 我的字形的编码是什么？

其中任何一个都可能与您的期望不同。因此，例如，如果你想放入Ä（一个方向），你必须看看字体是否有它的字形（可能不存在，因为字体是一个子集）。然后字体可能有一个有趣的编码，可能不包括字形。最后，用于Ä的实际字节值可能不是标准值。

因此，当我看到有人试图简单地替换PDF内容中的一大块文本时，我所看到的只是一个痛苦的世界。对于大多数理智的PDF，这将是有效的，90％的时间，但对于任何异国情调 - 祝你好运。 PDF的文本渲染怪癖非常痛苦，有时更容易将其视为只写格式。

Answer 2

最后，它确定了在pdf文件中提取字体的过程非常复杂。我无法明确地使用这些字体所以我在PDFStreamEngine的代码和扩展OperatorProcessor的类中搜索并发现了如何将PDFont对象创建到地图中（我几乎复制了提取变音符号所需的代码块） 。所以，之后我通过parser.getTokens（）进行交互时使用检测到的字体来调用“string”中每个字符的encode（...）方法。