使用iText

Question

免责声明：

我正在使用iText5。我知道这通常是不容易的（与使用iText 7相比），但是我正在使用大量使用iText 5的旧代码，并且升级不受我的控制。

要求：

• 接收到一个“简单的” PDF / A作为输入（仅文本，它们是从RTF生成的），以及对应于所需的第一页长度（以英寸为单位）的浮点值。
• 必须输出与输入PDF相同的PDF / A，但分页如下：第一页长度=输入值；每个后续页面（不是第一页或最后一页）都将填充标准页面长度；最后一页将在最接近页面底部的内容下方被截断恒定数量的点。请注意，输入和输出宽度将相同且恒定。

进度/方法：

我扩展了SimpleTextExtractionStrategy来生成XML，其中包含字体信息（大小和字体，粗体或斜体等）以及位置信息（相对于绝对坐标系，其原点位于左上角）从输入PDF提取的每个“跨度”文本的输入）。

然后我逐页生成一个新的PDF（根据上述要求，每个页面都是所需的长度），基于每个新页面的边界使用LINQ过滤提取的XML信息，并在处添加适当格式的文本使用ColumnText.ShowTextAligned(...)的适当位置。

问题：

上面概述的方法很好。它生成具有所需页面结构的PDF，但是在翻译中会丢失一些信息，即彩色文本和带下划线的文本。虽然这些PDF中不应显示彩色文本，但绝对必须检测到带下划线的文本。

这组要求还应包括带有表格的PDF。我最初计划实现一个与表PDF保持相同接口的不同模块，因为它们是与RTF生成的PDF分别生成和使用的，并且iText具有内置的相对强大的表功能。

上面概述的两个问题，再加上我所描述的方法源于重用现有代码的尝试，使我相信完全不同的方法可能是必要的，或者至少要好得多。在我看来，应该有一种方法来捕获内容字节信息并根据需要进行裁剪，以“重新分页”输入的PDF，仅担心移动沿页面边界的内容。

本质上，我正在寻找（基于iText的）建议以寻求更好的方法。伪代码类型的答案或仅对可能有所帮助的类/接口的建议是可以接受的。虽然将文本和表格一起处理将是不错的选择，但也可以理解与其中一个或另一个有关的任何建议。我仔细阅读了iText网站上的许多可用文档以及其他有关SO的问题，但没有找到我想要的东西。

请注意，此问题不包含任何代码，因为我正在寻找一种与我尝试过的完全不同的高级方法。

编辑：

我以前没有注意到它，但是我重用字体（类似于this）的方式导致了一些意想不到的（但有据可查）行为。看来我将需要避免在文本级别上提取信息以进行重新分页，因为很难确保输入和输出之间字体的连续性。

Answer 1

不久前我解决了这个问题，但认为我会发布解决方案。我确定这不是最有效的解决方案，但对于我的目的来说效果很好。请注意，这将按照包含仅文本的问题中的说明重新分页PDF。表格PDF单独处理。

基本过程是这样的：

1. 使用自定义TextExtractionStrategy来提取XML，其中包含有关输入PDF中所有文本的上升和下降行以及其最初显示在哪个页面上的信息。
2. 鉴于问题中所述的页面长度要求（第一页=输入值，后续=标准长度，最后一页=适合内容）和有关文本位置的XML信息，确定哪些内容适合输出的每一页PDF。创建一个地图，该地图将需要裁剪每个输入页面的位置（顶部和底部，请注意，每个输入页面可能会被裁剪多次），以及一个地图，其中裁剪的页面将需要在页面中一起“连接”最终输出。
3. 将输入的PDF逐页复制到中间临时PDF（使用PdfCopier）。如果输入页面必须裁切一次以上（例如：输入页面1的前2英寸=页面1输出，输入页面1的下6英寸=页面2输出，输入页面1的最后0.5英寸=页面3输出的顶部） ），请确保将其复制适当的次数（每作物1次）。
4. 适当裁剪中间复制的PDF的每一页。这可以通过修改MediaBox和/或CropBox来完成。
5. 将适当的裁剪页面连接到最终输出PDF的页面中。我用PdfWriter首先创建了一个适当高度的新页面，然后使用contentByte.AddTemplate(inputCroppedPage, 0, bottomOfLastAddedCroppedPage)在输出PDF页面的字节内容中的适当位置添加了每个适当的裁剪页面。

对所有设法阅读并理解所有内容的人表示祝贺。对于其他任何人，如果您感到困惑，请告诉我。上面描述的解决方案有点扭曲，很难说出来。尽管此处有太多代码可发布（并且我无权在GitHub或类似代码上共享代码），但我很乐意回答任何有助于他人实现类似功能的问题。

第1步中提到的TextExtractionStrategy受this answer的启发。本质上，我使用System.Xml.Linq来创建XML文档，而不是使用字符串来形成HTML，并且我忽略了所有字体信息，只存储了有关文本在页面中位置的信息（您将看到此信息可用）。在链接的答案中，只是没有写到最终的HTML中。）