Question

我从使用Ghostscript 9.19创建PDF / A兼容PDF（1.4）的客户那里得到的PDF有一个奇怪的问题。我想使用LocationTextExtractionStrategy从中提取文本，但我以相反的顺序获得大部分文本并使用其他空格：

期待：abc

获得：c b a

在内容流中，这可能是[a，1，b，1，c] TJ

此问题之前已发布到Stackoverflow，但我进一步解决了这个问题，而不是破解我自己的提取策略。我意识到使用的字体的字体宽度都是零，并且指标和hMetrics地图都没有填充。我使用的是iTextSharp 5.5.4，但5.5.9仍有同样的问题。

这是字体：

/Subtype    /Type0  
/BaseFont   /VGOQEA+SegoeUI 
/Type   /Font   
/Encoding   33 0 R  
/ToUnicode  48 0 R  
/DescendantFonts    [35 0 R]

对象33是CMap：

/CIDSystemInfo  32 0 R  
/Filter /FlateDecode    
/Length 266 
/CMapName   /OneByteIdentityH   
/Type   /CMap

对象48是流，顺便提一下也是CMap

对象35最终有一些宽度定义

/DW 539 
/CIDSystemInfo  32 0 R  
/Subtype    /CIDFontType2   
/BaseFont   /VGOQEA+SegoeUI 
/FontDescriptor 26 0 R  
/Type   /Font   
/W  [0, [646], 32, [274], 40, [302, 302], 44, [217, 400, 217], 48, [539, 539, 539, 539], 53, [539, 539, 539, 539], 58, [217], 64, [955, 645, 573], 68, [701, 506], 72, [710, 266], 75, [580, 471, 898], 80, [560], 82, [598, 531], 85, [687], 87, [934], 90, [570], 97, [509, 588, 462, 589, 523, 313, 589, 566, 242], 107, [497, 242, 861, 566, 586, 588], 114, [348, 424, 339, 566], 119, [723], 122, [452], 220, [687], 228, [509], 246, [586], 252, [566]]  
/CIDToGIDMap    47 0 R

按照iTextSharp初始化CMapAwareDocumentFont的顺序，首先初始化基础DocumentFont。然后构造函数检查：

if (PdfName.TYPE1.Equals(subType) || PdfName.TRUETYPE.Equals(subType))

它既不是。

else if (PdfName.TYPE3.Equals(subType))

不是。然后输入下一个其他分支：

PdfName encodingName = font.GetAsName(PdfName.ENCODING);
if (encodingName == null)

但由于编码是作为间接引用给出的，因此encodingName为null。因此，永远不会处理这种Type0字体。

我在库代码中更改了这一位，但即使调用方法ProcessType0（字体），宽度值也从未使其成为字体定义 - 即全部保持为零。这可能是预期的。最后，我得到了填充的度量哈希映射，但我没有涵盖所有使用过的字符。即情况有所改善，但并非一切都好：

代替：abc - ＆gt; c b a

我现在得到了：abc - ＆gt; ACB

我唯一能解决当前问题但是hacky解决方案是破解processor.DisplayPdfString（（PdfString）entryObj）以调整textMatrix的固定数量。然而，这不是一般的解决方案，我宁愿字体可以正常工作。还有其他建议我应该尝试一下吗？

编辑：我使用iText 7 .Net重新审视了我的问题，现在我在尝试从我的测试文件中读取文本时遇到了NullReferenceException。

var reader = new iText.Kernel.Pdf.PdfReader(@"itextsharp_sample_locationtext_extraction_reversing_characters(1).pdf");
var extractionStrategy = new LocationTextExtractionStrategy();
var doc = new PdfDocument(reader);
var page = doc.GetFirstPage();
var test = PdfTextExtractor.GetTextFromPage(doc.GetFirstPage());
Console.WriteLine(test);

这是我使用的文件：https://drive.google.com/file/d/0B1RdIg0_Pbd_aTlOT2VmbnFlaTQ/view?usp=sharing

该代码适用于其他PDF文件，但不适用于此文件。

更新感谢mkl，我现在知道一段时间底层问题是字体编码流。可悲的是，我刚刚通过iText销售团队收到一条消息，表示这不在路线图上。他们声称这个问题是一个奇怪的异常值，大多数人都不需要支持字体编码流。因此，如果你们中的任何人在阅读本文时确实存在缺少支持的问题，请通过电子邮件告知他们。

未正确加载iTextSharp字体宽度定义

0 个答案: