Question

我正在运行PDFBox提供的示例以获取每个TextPosition的宽度/高度。当我通过一页pdf时，它给我准确的结果。但如果我使用多页pdf，我的身高会不正确。

这是我做的实验，我拿了5页pdf并作为参数传入（每个TextPosition的高度错误）。接下来，我使用MacOSX Preview将相同的pdf分成5个单页pdf，并逐个传递每个页面（我得到正确的高度）。

package printtextlocations;

import java.io.*;
import org.apache.pdfbox.exceptions.InvalidPasswordException;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.common.PDStream;
import org.apache.pdfbox.util.PDFTextStripper;
import org.apache.pdfbox.util.TextPosition;

import java.io.IOException;
import java.util.List;

public class PrintTextLocations extends PDFTextStripper {

    public PrintTextLocations() throws IOException {
        super.setSortByPosition(true);
    }

    public static void main(String[] args) throws Exception {

        PDDocument document = null;
        try {
            File input = new File("C:\\path\\to\\PDF.pdf");
            document = PDDocument.load(input);
            if (document.isEncrypted()) {
                try {
                    document.decrypt("");
                } catch (InvalidPasswordException e) {
                    System.err.println("Error: Document is encrypted with a password.");
                    System.exit(1);
                }
            }
            PrintTextLocations printer = new PrintTextLocations();
            List allPages = document.getDocumentCatalog().getAllPages();
            for (int i = 0; i < allPages.size(); i++) {
                PDPage page = (PDPage) allPages.get(i);
                System.out.println("Processing page: " + i);
                PDStream contents = page.getContents();
                if (contents != null) {
                    printer.processStream(page, page.findResources(), page.getContents().getStream());
                }
            }
        } finally {
            if (document != null) {
                document.close();
            }
        }
    }

    /**
     * @param text The text to be processed
     */
    @Override
    protected void processTextPosition(TextPosition text) {
        System.out.println(" String [x: " + text.getXDirAdj() + ", y: "
            + text.getY() + ", height:" + text.getHeightDir()
            + ", space: " + text.getWidthOfSpace() + ", width: "
            + text.getWidthDirAdj() + ", yScale: " + text.getYScale() + "]"
            + text.getCharacter());
    }
}

输出摘要 - 5页pdf

String [x：58.500004，y：692.2，身高：33.480003，空间：2.64，宽度：6.635998，yScale：12.0] 6

String [x：58.6，y：741.2，身高：33.480003，空间：2.64，宽度：6.6360016，yScale：12.0] 1

String [x：58.6，y：753.4，身高：33.480003，空间：2.64，宽度：6.6360016，yScale：12.0] 2

输出片段 - 1页pdfs

String [x：58.5，y：692.2，身高：5.55，空间：2.64，宽度：6.6480026，yScale：12.0] 6

String [x：58.6，y：741.2，身高：5.55，空间：2.64，宽度：6.6480026，yScale：12.0] 1

String [x：58.6，y：753.4，身高：5.55，空间：2.64，宽度：6.6480026，yScale：12.0] 2

有谁知道为什么我们在这种情况下会得到不一致的结果？我有什么设置吗？

感谢您的帮助。

这是另一个测试文件 wrong height pdf - 3 pages 在这里我得到的输出

String [x：90.0，y：83.28003，height：33.480003，space：5.8497605，width：7.248001，yScale：12.0] V

String [x：97.242，y：83.28003，height：33.480003，space：5.8497605，width：5.856003，yScale：12.0] e

String [x：103.095604，y：83.28003，height：33.480003，space：5.8497605，width：4.9680023，yScale：12.0] r

String [x：108.0588，y：83.28003，height：33.480003，space：5.8497605，width：6.0479965，yScale：12.0] y

String [x：116.748，y：83.28003，height：33.480003，space：5.8497605，width：5.9520035，yScale：12.0] S

String [x：122.7012，y：83.28003，身高：33.480003，空间：5.8497605，宽度：3.3359985，yScale：12.0]我

String [x：126.034805，y：83.28003，身高：33.480003，空间：5.8497605，宽度：9.983994，yScale：12.0] m

String [x：136.01881，y：83.28003，height：33.480003，space：5.8497605，width：6.671997，yScale：12.0] p

String [x：142.6932，y：83.28003，身高：33.480003，空间：5.8497605，宽度：3.251999，yScale：12.0] l

String [x：145.9512，y：83.28003，身高：33.480003，空间：5.8497605，宽度：5.856003，yScale：12.0] e

String [x：154.4472，y：83.28003，身高：33.480003，空间：5.8497605，宽度：7.9440002，yScale：12.0] D

String [x：162.38641，y：83.28003，height：33.480003，space：5.8497605，width：6.371994，yScale：12.0] o

String [x：168.75601，y：83.28003，height：33.480003，space：5.8497605，width：5.2920074，yScale：12.0] c String [x：174.0468，y：83.28003，身高：33.480003，空间：5.8497605，宽度：6.624008，yScale：12.0] u String [x：180.6732，y：83.28003，身高：33.480003，空间：5.8497605，宽度：9.983994，yScale：12.0] m String [x：190.6572，y：83.28003，身高：33.480003，空间：5.8497605，宽度：5.856003，yScale：12.0] e String [x：196.5108，y：83.28003，身高：33.480003，空间：5.8497605，宽度：6.695999，yScale：12.0] n String [x：203.20801，y：83.28003，身高：33.480003，空间：5.8497605，宽度：4.0559998，yScale：12.0] t 完成处理页面0 完成添加第0页 String [x：90.0，y：139.44，身高：33.480003，空间：5.8497605，宽度：6.816002，yScale：12.0] P

String [x：96.8148，y：139.44，height：33.480003，space：5.8497605，width：5.856003，yScale：12.0] a

String [x：102.6696，y：139.44，height：33.480003，space：5.8497605，width：5.9280014，yScale：12.0] g

String [x：108.5964，y：139.44，height：33.480003，space：5.8497605，width：5.856003，yScale：12.0] e

String [x：117.090004，y：139.44，height：33.480003，space：5.8497605，width：6.6480026，yScale：12.0] 2

String [x：126.375595，y：139.44，height：33.480003，space：5.8497605，width：6.371994，yScale：12.0] o

String [x：132.7464，y：139.44，height：33.480003，space：5.8497605，width：3.6360016，yScale：12.0] f

String [x：139.0312，y：139.44，height：33.480003，space：5.8497605，width：9.983994，yScale：12.0] m

String [x：149.0152，y：139.44，height：33.480003，space：5.8497605，width：3.3359985，yScale：12.0] i

String [x：152.3488，y：139.44，height：33.480003，space：5.8497605，width：6.695999，yScale：12.0] n

String [x：159.046，y：139.44，height：33.480003，space：5.8497605，width：3.3359985，yScale：12.0] i

String [x：162.37961，y：139.44，height：33.480003，space：5.8497605，width：9.983994，yScale：12.0] m

String [x：172.3636，y：139.44，height：33.480003，space：5.8497605，width：5.856003，yScale：12.0] a

String [x：178.2232，y：139.44，height：33.480003，space：5.8497605，width：3.251999，yScale：12.0] l

String [x：181.4812，y：139.44，height：33.480003，space：5.8497605，width：3.3359985，yScale：12.0] i

String [x：184.8148，y：139.44，height：33.480003，space：5.8497605，width：5.1600037，yScale：12.0] s

String [x：189.9712，y：139.44，height：33.480003，space：5.8497605，width：9.983994，yScale：12.0] m

完成处理第1页完成添加第1页 String [x：90.0，y：266.15997，身高：33.480003，空间：5.8497605，宽度：6.816002，yScale：12.0] P

String [x：96.8148，y：266.15997，身高：33.480003，空间：5.8497605，宽度：5.856003，yScale：12.0] a

String [x：102.6696，y：266.15997，身高：33.480003，空间：5.8497605，宽度：5.9280014，yScale：12.0] g

String [x：108.5964，y：266.15997，身高：33.480003，空间：5.8497605，宽度：5.856003，yScale：12.0] e

String [x：117.090004，y：266.15997，身高：33.480003，空间：5.8497605，宽度：6.6480026，yScale：12.0] 3

String [x：126.375595，y：266.15997，身高：33.480003，空间：5.8497605，宽度：6.371994，yScale：12.0] o

String [x：132.7464，y：266.15997，身高：33.480003，空间：5.8497605，宽度：7.548004，yScale：12.0] K

String [x：140.3052，y：266.15997，身高：33.480003，空间：5.8497605，宽度：5.856003，yScale：12.0] a

String [x：146.16，y：266.15997，身高：33.480003，空间：5.8497605，宽度：6.048004，yScale：12.0] y

String [x：152.2068，y：266.15997，身高：33.480003，空间：5.8497605，宽度：5.0639954，yScale：12.0]？

完成处理第2页完成添加第2页

Answer 1

在确定解析后的字形的高度时（使用相关字体对象的getFontHeight方法），PDFBox首先检查它是否具有手头各个字形的字体指标。它只知道AFM类型1字体指标;因为您的字体是真正的字体，因此，PDFBox没有这样的指标。

在这种情况下，它继续尝试从字体描述符中检索常规字体度量。文档中字体的字体描述符如下所示：

21 0 obj <<
    /Type /FontDescriptor
    /FontName /GLDXOZ+Cambria
    /Flags 4
    /FontBBox [-1475 -2463 2867 3117]
    /ItalicAngle 0
    /Ascent 950
    /Descent -222
    /CapHeight 667
    /StemV 0
    /XHeight 467
    /AvgWidth 615
    /MaxWidth 2919
    /FontFile2 24 0 R
>>
endobj

它检查的第一个描述符条目是字体边界框（ / FontBBox 条目），如果它存在，则它的高度是平均字体高度的一半。

在你的情况下，与字体中的字形相比，字体边界框非常大;垂直从-2463到3117 !!

另一方面，大写字母高度（ / CapHeight 条目，大写字母顶部的垂直坐标，从基线测量）仅为667和上升（ / Ascent ，此字体中字形到达基线以上的最大高度;重音字符的字形高度不包括）仅950.这真的让我想知道为什么那个字体有这样的字体边框...

如果没有字体边界框，PDFBox接下来会尝试使用大写字母高度，然后是上升，最后是 / XHeight - / Descent 。这些中的每一个都会产生合理的值，但是由于存在边界框，PDFBox会假定值过大。

有问题的代码被注释为

// the following values are all more or less accurate
// at least all are average values. Maybe we'll find
// another way to get those value for every single glyph
// in the future if needed

虽然我不知道为什么PDFBox更喜欢猜测边界框的平均高度，而不是像上升，它不是唯一的软件，假设您的字体中的文字是巨大的。例如，如果您使用Adobe Acrobat的文本修饰工具，则会看到：

touchup tool in action

垂直条是光标！所以Acrobat也认为字体很大。

遗憾的是，您没有通过拆分MacOSX Preview提供从您的示例创建的单页pdfs。因此，我不知道为什么你之后会得到更多的真实信息。但显然，预览会以某种方式更改字体信息，因为巨大高度值的原因与具有多个页面或仅有一个页面的文档无关。

PDFBox 1.8 PrintTextLocations错误TextPosition高度为多页pdf

1 个答案: