PDFBox pdf to image生成重叠文本

Question

对于副项目，我开始使用PDFBox将pdf文件转换为图像。这是我用来转换为图片文件https://bitcoin.org/bitcoin.pdf的pdf文件。

这是我正在使用的代码。这是一个非常简单的代码，它调用PDFToImage。但输出jpg图像文件看起来非常糟糕，插入了大量逗号和一些重叠文本。

    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

如果查看日志记录输出（可能需要在您的环境中激活日志记录）。你会看到很多像这样的条目（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使用与PDF指示的字体不同的字体来呈现文本。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使用的编码具有逗号，其中PDFBox假定的默认字体具有空格字符;
2. 不同的字体具有不同的字形宽度。在示例PDF中，不同的字形宽度会导致重叠文本。

这导致了

所有这一切的原因是PDFBox 1.8.x不能正确支持各种渲染字体。您可能想要尝试PDFBox 2.0.0-SNAPSHOT，这是目前正在开发的新PDFBox。但请注意，渲染类已更改。

使用PDFBox 2.0.0-SNAPSHOT

使用PDFBox 2.0.0-SNAPSHOT的当前（2014年6月中旬）状态，您可以像这样呈现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"));
}

此代码的结果是：

其他PDFRenderer.renderImage重载允许您明确设置所需的分辨率。

PS：根据Tilman Hausherr的建议，您可能希望通过

替换ImageIO.write来电

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

ImageIOUtil是一个PDFBox助手类，它尝试优化ImageIO编写器的选择并向图像文件添加DPI属性。

如果您使用其他PDFRenderer.renderImage重载来设置分辨率，请记住在此更改最终参数72。