Question

我刚开始使用PDFBox，提取文本等等。我感兴趣的一件事是我正在提取的文本本身的颜色。但是我似乎找不到任何获取这些信息的方法。

是否可以使用PDFBox获取文档的颜色信息？如果可以，我将如何进行此操作？

非常感谢。

Answer 1

所有颜色信息都应存储在类PDGraphicsState中，使用的颜色（描边/非描边等）取决于使用的文本呈现模式（通过pdfbox邮件列表）。< / p>

这是我尝试的一个小样本：

用一行创建一个pdf（“RGB=[146,208,80]中写的”Sample“）后，将输出以下程序：

DeviceRGB 146.115 208.08 80.07

以下是代码：

PDDocument doc = null;
try {
    doc = PDDocument.load("C:/Path/To/Pdf/Sample.pdf");
    PDFStreamEngine engine = new PDFStreamEngine(ResourceLoader.loadProperties("org/apache/pdfbox/resources/PageDrawer.properties"));
    PDPage page = (PDPage)doc.getDocumentCatalog().getAllPages().get(0);
    engine.processStream(page, page.findResources(), page.getContents().getStream());
    PDGraphicsState graphicState = engine.getGraphicsState();
    System.out.println(graphicState.getStrokingColor().getColorSpace().getName());
    float colorSpaceValues[] = graphicState.getStrokingColor().getColorSpaceValue();
    for (float c : colorSpaceValues) {
        System.out.println(c * 255);
    }
}
finally {
    if (doc != null) {
        doc.close();
    }

查看PageDrawer.properties以了解PDF运算符如何映射到Java类。

据我了解，当PDFStreamEngine处理页面流时，它会根据当前处理的运算符设置各种变量状态。因此，当它命中绿色文本时，它将更改PDGraphicsState，因为它将遇到适当的运算符。因此，对于CS，它会调用org.apache.pdfbox.util.operator.SetStrokingColorSpace，如CS=org.apache.pdfbox.util.operator.SetStrokingColorSpace文件中映射.properties所定义的那样。 RG映射到org.apache.pdfbox.util.operator.SetStrokingRGBColor，依此类推。

在这种情况下，PDGraphicsState没有改变，因为文档只有文本，文本只有一种样式。对于更高级的内容，您需要扩展PDFStreamEngine（就像PageDrawer，PDFTextStripper和其他类一样）以在颜色更改时执行某些操作。您也可以在自己的.properties文件中编写自己的映射。

使用PDFBox获取文本颜色

1 个答案: