Question

我一直在Java项目中使用PDFBOX版本2.0.0将pdf转换为文本。

我的几个pdf都缺少ToUnicode方法，所以当我导出它们时它们会以Gibberish出现。

2016-09-14 10:44:55 WARN org.apache.pdfbox.pdmodel.font.PDSimpleFont(1):322 - No Unicode mapping for 694 (30) in font MPBAAA+F1

在上面的WARN中，提出了一个乱码的unicode（30），而不是真实的角色。

我能够通过编辑pdfbox中的additional.txt文件来克服它，因为来自试用版＆amp;错误我理解角色的代码（在这种情况下为694）代表某个希伯来字母（צ）。

这是我在文件中编辑的简短示例：

-694;05E6 #HexaDecimal value for the letter צ
-695;05E7
-696;05E8

后来我在不同的pdf上遇到了几乎相同的警告，但是没有乱码，我根本没有任何角色。这里可以看到更详细的问题探索 - pdf reading via pdfbox in java

2016-09-14 11:07:10 WARN org.apache.pdfbox.pdmodel.font.PDType0Font(1):431 - No Unicode mapping for CID+694 (694) in font ABCDEE+Tahoma,Bold

正如您所看到的，警告来自不同的类（PDType0Font）而不是第一个警告（PDSimpleFont），但代码名称（694）在它们中都是相同的他们都在谈论同一个角色。

我是否应该编辑一个不同的文件而不是additional.txt，以便将694代码（希伯来字母point）指向正确的unicode？

由于

Answer 1

以下是一些以字体添加ToUnicode CMap流的代码。显然我不能用你的文件做，所以我使用了我的一个测试文件，可以找到here。我必须分别处理每个条目而不是全部。然而，结果足以提取绿色印刷品中的第一个单词（“Bedingungen”）。

该方案有点适合您：

Identity-H条目
没有ToUnicode条目

特定字体名称

try (PDDocument doc = PDDocument.load(f))
{
    for (int p = 0; p < doc.getNumberOfPages(); ++p)
    {
        PDPage page = doc.getPage(p);
        PDResources res = page.getResources();
        for (COSName fontName : res.getFontNames())
        {
            PDFont font = res.getFont(fontName);
            COSBase encoding = font.getCOSObject().getDictionaryObject(COSName.ENCODING);
            if (!COSName.IDENTITY_H.equals(encoding))
            {
                continue;
            }
            // get real name
            String fname = font.getName();
            int plus = fname.indexOf('+');
            if (plus != -1)
            {
                fname = fname.substring(plus + 1);
            }
            if (font.getCOSObject().containsKey(COSName.TO_UNICODE))
            {
                continue;
            }
            System.out.println("File '" + f.getName() + "', page " + (p + 1) + ", " + fontName.getName() + ", " + font.getName());
            if (!fname.startsWith("Calibri-Bold"))
            {
                continue;
            }
            COSStream toUnicodeStream = new COSStream();
            try (PrintWriter pw = new PrintWriter(toUnicodeStream.createOutputStream(COSName.FLATE_DECODE)))
            {
                // "9.10 Extraction of Text Content" in the PDF 32000 specification
                pw.println ("/CIDInit /ProcSet findresource begin\n" +
                        "12 dict begin\n" +
                        "begincmap\n" +
                        "/CIDSystemInfo\n" +
                        "<< /Registry (Adobe)\n" +
                        "/Ordering (UCS) /Supplement 0 >> def\n" +
                        "/CMapName /Adobe-Identity-UCS def\n" +
                        "/CMapType 2 def\n" +
                        "1 begincodespacerange\n" +
                        "<0000> <FFFF>\n" +
                        "endcodespacerange\n" +
                        "10 beginbfchar\n" + // number is count of entries
                        "<0001><0020>\n" + // space
                        "<0002><0041>\n" + // A
                        "<0003><0042>\n" + // B
                        "<0004><0044>\n" + // D
                        "<0013><0065>\n" + // e
                        "<0012><0064>\n" + // d
                        "<0017><0069>\n" + // i
                        "<001B><006E>\n" + // n
                        "<0015><0067>\n" + // g
                        "<0020><0075>\n" + // u
                        "endbfchar\n" +
                        "endcmap CMapName currentdict /CMap defineresource pop end end");
            }
            font.getCOSObject().setItem(COSName.TO_UNICODE, toUnicodeStream);
        }
    }
    doc.save("huhu.pdf");
}

Btw未发布的2.1版PDFDebugger有一些改进的功能来显示字体，你可以得到它here：

您可以使用它来验证您的ToUnicode CMap是否有意义。这是我对变化的看法：

如何在pdfbox 2.0.0上的truetype0font中添加unicode？

1 个答案: