Question

我有一个PDF，其中注释中显示的文本（在Adobe Reader中呈现）与其 / Contents 和 / RC 条目中给出的文本不同。这与我在这个问题中处理的问题有关：

在这种情况下，我不想改变外观以匹配注释的内容，而是反过来：获取外观文本并更改 / Contents 和 / RC 值匹配。例如，如果注释显示＆＃34;外观＆＃34;并且 / Contents 设置为＆＃34; content＆＃34;，我想做类似的事情：

void setContent(PdfDictionary dict)
{
 PdfString str = dict.GetAsString(new PdfName("KeyForAppearanceText"));
 dict.Put(PdfName.CONTENTS,str);
}

但我无法找到外观文本的存储位置。我使用以下代码获得了 / AP 引用的词典：

private PdfDictionary getAPAnnot(PdfArray annotArray,PdfDictionary annot)
        {
            PdfDictionary apDict = annot.GetAsDict(PdfName.AP);
            if (apDict!=null)
            {
                PdfIndirectReference ap = (PdfIndirectReference)apDict.Get(PdfName.N);
                PdfDictionary apRefDict = (PdfDictionary)pdfController.pdfReader.GetPdfObject(ap.Number);
                return apRefDict;
            }
            else
            {
                return null;
            }
        }

此词典具有以下hashMap：

{[/BBox, [-38.7578, -144.058, 62.0222, 1]]} 
{[/Filter, /FlateDecode]}   
{[/Length, 172]}    
{[/Matrix, [1, 0, 0, 1, 0, 0]]} 
{[/Resources, Dictionary]}

/ Resources 对字体有间接引用，但没有内容。因此，外观流似乎不包含内容数据。

除了 / Contents 和 / RC 之外，注释的数据结构中似乎没有任何地方存储内容数据。我应该在哪里寻找外观内容？

Answer 1

不幸的是，OP没有提供PDF样本。考虑到他之前的问题，他很可能对自由文本注释感兴趣。因此，我在这里使用this example PDF作为示例。它有一个页面，打字机自由文本注释如下所示：

OP问

除了 / Contents 和 / RC 之外，注释的数据结构中似乎没有任何地方存储内容数据。我应该在哪里寻找外观内容？

OP代码的主要缺点是他只将正常外观视为PdfDictionary：

PdfIndirectReference ap = (PdfIndirectReference)apDict.Get(PdfName.N);
PdfDictionary apRefDict = (PdfDictionary)pdfController.pdfReader.GetPdfObject(ap.Number);

它实际上是PdfStream，即带有数据流的字典，此数据流是外观绘制说明所在的位置。

但即使手头有这个数据流，也不像OP想象的那么简单：

PdfString str = dict.GetAsString(new PdfName("KeyForAppearanceText"));

实际上，外观流中的文本可以分段绘制，例如在我的示例文件中，流数据如下所示：

0 w
131.2646 564.8243 180.008 30.984 re
n
q
1 0 0 1 0 0 cm
131.2646 564.8243 180.008 30.984 re
W
n
0 g
1 w
BT
/Cour 12 Tf
0 g
131.265 587.96 Td
(This ) Tj
35.999 0 Td
(is ) Tj
21.6 0 Td
(written ) Tj
57.599 0 Td
(using ) Tj
43.2 0 Td
(the ) Tj
-158.398 -16.3 Td
(typewriter ) Tj
79.199 0 Td
(tool.) Tj
ET
Q

此外，编码不需要像这里那样是一些标准编码，而是可以在运行中为嵌入字体定义。

因此，必须应用完整的文本提取。

这一切都可以这样实现：

for (int page = 1; page <= pdfReader.NumberOfPages; page++)
{
    Console.Write("\nPage {0}\n", page);
    PdfDictionary pageDictionary = pdfReader.GetPageNRelease(page);
    PdfArray annotsArray = pageDictionary.GetAsArray(PdfName.ANNOTS);
    if (annotsArray == null || annotsArray.IsEmpty())
    {
        Console.Write("  No annotations.\n");
        continue;
    }
    foreach (PdfObject pdfObject in annotsArray)
    {
        PdfObject direct = PdfReader.GetPdfObject(pdfObject);
        if (direct.IsDictionary())
        {
            PdfDictionary annotDictionary = (PdfDictionary)direct;
            Console.Write("  SubType: {0}\n", annotDictionary.GetAsName(PdfName.SUBTYPE));
            PdfDictionary appearancesDictionary = annotDictionary.GetAsDict(PdfName.AP);
            if (appearancesDictionary == null)
            {
                Console.Write("    No appearances.\n");
                continue;
            }
            foreach (PdfName key in appearancesDictionary.Keys)
            {
                Console.Write("    Appearance: {0}\n", key);
                PdfStream value = appearancesDictionary.GetAsStream(key);
                if (value != null)
                {
                    String text = ExtractAnnotationText(value);
                    Console.Write("    Text:\n---\n{0}\n---\n", text);
                }
            }
        }
    }
}

使用此辅助方法

public String ExtractAnnotationText(PdfStream xObject)
{
    PdfDictionary resources = xObject.GetAsDict(PdfName.RESOURCES);
    ITextExtractionStrategy strategy = new LocationTextExtractionStrategy();

    PdfContentStreamProcessor processor = new PdfContentStreamProcessor(strategy);
    processor.ProcessContent(ContentByteUtils.GetContentBytesFromContentObject(xObject), resources);
    return strategy.GetResultantText();
}

如果是上面的示例文件，代码的输出是

Page 1
  SubType: /FreeText
    Appearance: /N
    Text:
---
This is written using the 
typewriter tool.
---

请注意，有一些注释，特别是复选框和单选按钮的小部件注释，它们的结构比这里的代码预期稍微深一些。

如何阅读外观流文本？

1 个答案: