从TextRenderInfo获取字体高度/权重如何？

Question

当我使用iText（夏普）解析现有PDF时，我创建了一个实现IRenderListener的对象，我将其传递给PdfReaderContentParser.ProcessContent（），果然，我的对象的RenderText（）会被反复调用PDF中的所有文本

问题是，TextRenderInfo告诉我基本字体（在我的情况下，Helvetica），但我无法分辨字体的高度及其重量（常规与粗体）。这是iText（夏普）的已知缺陷还是我错过了什么？

Answer 1

  

TextRenderInfo告诉我基本字体（在我的情况下，Helvetica），但我无法分辨字体的高度及其重量（常规与粗体）

高度

不幸的是，iTextSharp在TextRenderInfo中没有提供公共字体大小的方法或成员。有些人通过使用GetAscentLine()和GetDescentLine()之间的距离来解决这个问题。

如果您准备使用Reflection，则可以通过展示和使用私人TextRenderInfo成员GraphicsState gs来做得更好，例如就像在这个渲染器监听器中一样：

public class LocationTextSizeExtractionStrategy : LocationTextExtractionStrategy
{
    //Hold each coordinate
    public List<SizeAndTextAndFont> myChunks = new List<SizeAndTextAndFont>();

    //Automatically called for each chunk of text in the PDF
    public override void RenderText(TextRenderInfo wholeRenderInfo)
    {
        base.RenderText(wholeRenderInfo);
        GraphicsState gs = (GraphicsState) GsField.GetValue(wholeRenderInfo);
        myChunks.Add(new SizeAndTextAndFont(gs.FontSize, wholeRenderInfo.GetText(), wholeRenderInfo.GetFont().PostscriptFontName));
    }

    FieldInfo GsField = typeof(TextRenderInfo).GetField("gs", System.Reflection.BindingFlags.NonPublic | System.Reflection.BindingFlags.Instance);
}

//Helper class that stores our rectangle, text, and font
public class SizeAndTextAndFont
{
    public float Size;
    public String Text;
    public String Font;
    public SizeAndTextAndFont(float size, String text, String font)
    {
        this.Size = size;
        this.Text = text;
        this.Font = font;
    }
}

您可以使用这样的渲染侦听器提取信息：

using (var pdfReader = new PdfReader(testFile))
{
    // Loop through each page of the document
    for (var page = startPage; page < endPage; page++)
    {
        Console.WriteLine("\n    Page {0}", page);

        LocationTextSizeExtractionStrategy strategy = new LocationTextSizeExtractionStrategy();
        PdfTextExtractor.GetTextFromPage(pdfReader, page, strategy);

        foreach (SizeAndTextAndFont p in strategy.myChunks)
        {
            Console.WriteLine(string.Format("<{0}> in {2} at {1}", p.Text, p.Size, p.Font));
        }
    }
}

这会产生如下输出：

    Page 1
<        The Philippine Stock Exchange, Inc> in Helvetica-Bold at 8
<       Daily Quotations Report> in Helvetica-Bold at 8
<       March 23 , 2015> in Helvetica-Bold at 8
<Name> in Helvetica at 7
<Symbol> in Helvetica at 7
<Bid> in Helvetica at 7
[...]

考虑转换

您在输出中看到的数字字体大小是绘制相应文本时PDF图形状态中字体大小属性的值。

由于PDF的灵活性，这可能不是您最终在输出中看到的字体大小，但是，自定义转换可能会大大延长输出。一些PDF生产者甚至总是使用字体大小1和转换来相应地拉伸输出。

要获得此类文档中字体大小的良好价值，您可以像这样改进LocationTextSizeExtractionStrategy方法RenderText：

public override void RenderText(TextRenderInfo wholeRenderInfo)
{
    base.RenderText(wholeRenderInfo);
    GraphicsState gs = (GraphicsState) GsField.GetValue(wholeRenderInfo);
    Matrix textToUserSpaceTransformMatrix = (Matrix) TextToUserSpaceTransformMatrixField.GetValue(wholeRenderInfo);
    float transformedFontSize = new Vector(0, gs.FontSize, 0).Cross(textToUserSpaceTransformMatrix).Length;

    myChunks.Add(new SizeAndTextAndFont(transformedFontSize, wholeRenderInfo.GetText(), wholeRenderInfo.GetFont().PostscriptFontName));
}

使用此附加反射FieldInfo成员。

FieldInfo TextToUserSpaceTransformMatrixField = typeof(TextRenderInfo).GetField("textToUserSpaceTransformMatrix", System.Reflection.BindingFlags.NonPublic | System.Reflection.BindingFlags.Instance);

重量

正如您在上面的输出中所看到的，字体名称可能包含的不仅仅是字体系列名称，还包含重量指示器

<       March 23 , 2015> in Helvetica-Bold at 8

因此，在您的示例中，

  

TextRenderInfo告诉我基本字体（在我的例子中，Helvetica）

没有任何装饰的Helvetica意味着正常的重量。

Helvetica是标准的14种字体之一，每个PDF查看器必须开箱即用：Times-Roman，Helvetica，Courier，Symbol，Times-Bold，Helvetica-Bold，Courier-Bold，ZapfDingbats，Times -Italic，Helvetica-Oblique，Courier-Oblique，Times-BoldItalic，Helvetica-BoldOblique，Courier-BoldOblique。因此，这些名称非常可靠。

不幸的是，字体名称一般可以任意选择;粗体字体可能在其名称中带有“粗体”或“黑色”或其他粗体指示，或者根本没有。

也可以尝试使用字体的 FontDescriptor 字典，并为其指定条目 FontWeight 。不幸的是，这个条目是可选的，你不能指望它完全存在。

此外，PDF中的字体可以人为加粗，参见this answer：

所有这些数字都是使用相同的字体绘制的，只是添加了一个上升的轮廓线宽。

因此，我担心没有可靠的方法来找到确切的字体粗细，只有一些启发式可能会或可能不会返回可接受的近似值。