PDFBox 1.8 PrintTextLocations多页文本位置位置高度错误pdf [英] PDFBox 1.8 PrintTextLocations wrong TextPosition height for a multi page pdf

查看：30
本文介绍了PDFBox 1.8 PrintTextLocations多页文本位置位置高度错误pdf的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！

问题描述

我正在运行PDFBox提供的示例，以获取每个TextPosition的宽度/高度。当我通过一页pdf时，它会给我准确的结果。但如果我使用多页pdf，我得到的高度不正确。

这是我做的实验，我拿了一个5页的pdf作为参数传入(为每个文本位置获取了错误的高度)。接下来，我使用MacOSX预览将相同的pdf分成5个单页pdf，然后逐一浏览(我得到了正确的高度)。

package printtextlocations;

import java.io.*;
import org.apache.pdfbox.exceptions.InvalidPasswordException;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.common.PDStream;
import org.apache.pdfbox.util.PDFTextStripper;
import org.apache.pdfbox.util.TextPosition;

import java.io.IOException;
import java.util.List;

public class PrintTextLocations extends PDFTextStripper {

    public PrintTextLocations() throws IOException {
        super.setSortByPosition(true);
    }

    public static void main(String[] args) throws Exception {

        PDDocument document = null;
        try {
            File input = new File("C:\path\to\PDF.pdf");
            document = PDDocument.load(input);
            if (document.isEncrypted()) {
                try {
                    document.decrypt("");
                } catch (InvalidPasswordException e) {
                    System.err.println("Error: Document is encrypted with a password.");
                    System.exit(1);
                }
            }
            PrintTextLocations printer = new PrintTextLocations();
            List allPages = document.getDocumentCatalog().getAllPages();
            for (int i = 0; i < allPages.size(); i++) {
                PDPage page = (PDPage) allPages.get(i);
                System.out.println("Processing page: " + i);
                PDStream contents = page.getContents();
                if (contents != null) {
                    printer.processStream(page, page.findResources(), page.getContents().getStream());
                }
            }
        } finally {
            if (document != null) {
                document.close();
            }
        }
    }

    /**
     * @param text The text to be processed
     */
    @Override
    protected void processTextPosition(TextPosition text) {
        System.out.println(" String [x: " + text.getXDirAdj() + ", y: "
            + text.getY() + ", height:" + text.getHeightDir()
            + ", space: " + text.getWidthOfSpace() + ", width: "
            + text.getWidthDirAdj() + ", yScale: " + text.getYScale() + "]"
            + text.getCharacter());
    }
}

输出片段-5页pdf

字符串[x：58.500004，y：692.2，高度：33.480003，间距：2.64，宽度：6.635998，缩放比例：12.0]6

字符串[x：58.6，y：741.2，高度：33.480003，间距：2.64，宽度：6.6360016，缩放比例：12.0]1

字符串[x：58.6，y：753.4，高度：33.480003，间距：2.64，宽度：6.6360016，缩放比例：12.0]2

输出狙击手-1页pdf

字符串[x：58.5，y：692.2，高度：5.55，间距：2.64，宽度：6.6480026，缩放比例：12.0]6

字符串[x：58.6，y：741.2，高度：5.55，间距：2.64，宽度：6.6480026，缩放比例：12.0]1

字符串[x：58.6，y：753.4，高度：5.55，间距：2.64，宽度：6.6480026，缩放比例：12.0]2

有人知道为什么我们在这种情况下得到不一致的结果吗？我是否遗漏了什么设置？

谢谢你的帮助。

这是另一个测试文件 wrong height pdf - 3 pages 这里是我得到的输出

字符串[x：90.0，y：83.28003，高度：33.480003，间距：5.8497605，宽度：7.248001，缩放比例：12.0]V

字符串[x：97.242，y：83.28003，高度：33.480003，空格：5.8497605，宽度：5.856003，y比例：12.0]e

字符串[x：103.095604，y：83.28003，高度：33.480003，间距：5.8497605，宽度：4.9680023，缩放比例：12.0]r

字符串[x：108.0588，y：83.28003，高度：33.480003，空格：5.8497605，宽度：6.0479965，y比例：12.0]y

字符串[x：116.748，y：83.28003，高度：33.480003，空格：5.8497605，宽度：5.9520035，y比例：12.0%S

字符串[x：122.7012，y：83.28003，高度：33.480003，间距：5.8497605，宽度：3.3359985，缩放比例：12.0]i

字符串[x：126.034805，y：83.28003，高度：33.480003，间距：5.8497605，宽度：9.983994，缩放比例：12.0]m

字符串[x：136.01881，y：83.28003，高度：33.480003，间距：5.8497605，宽度：6.671997，缩放比例：12.0p]p

字符串[x：142.6932，y：83.28003，高度：33.480003，间距：5.8497605，宽度：3.251999，缩放比例：12.0]l

字符串[x：145.9512，y：83.28003，高度：33.480003，空格：5.8497605，宽度：5.856003，y比例：12.0]e

字符串[x：154.4472，y：83.28003，高度：33.480003，间距：5.8497605，宽度：7.9440002，缩放比例：12.0]D

字符串[x：162.38641，y：83.28003，高度：33.480003，间距：5.8497605，宽度：6.371994，缩放比例：12.0]o

字符串[x：168.75601，y：83.28003，高度：33.480003，间距：5.8497605，宽度：5.2920074，y比例：12.0c]c 字符串[x：174.0468，y：83.28003，高度：33.480003，间距：5.8497605，宽度：6.624008，y比例：12.0u]u 字符串[x：180.6732，y：83.28003，高度：33.480003，间距：5.8497605，宽度：9.983994，y比例：12.0]m 字符串[x：190.6572，y：83.28003，高度：33.480003，间距：5.8497605，宽度：5.856003，y比例：12.0]e 字符串[x：196.5108，y：83.28003，高度：33.480003，间距：5.8497605，宽度：6.695999，y比例：12.0%n]n 字符串[x：203.20801，y：83.28003，高度：33.480003，间距：5.8497605，宽度：4.0559998，y比例：12.0t]t 已完成处理页面%0 完成添加页面%0 字符串[x：90.0，y：139.44，高度：33.480003，间距：5.8497605，宽度：6.816002，y比例：12.0]P

字符串[x：96.8148，y：139.44，高度：33.480003，间距：5.8497605，宽度：5.856003，缩放比例：12.0]a

字符串[x：102.6696，y：139.44，高度：33.480003，间距：5.8497605，宽度：5.9280014，y比例：12.0g]g

字符串[x：108.5964，y：139.44，高度：33.480003，空格：5.8497605，宽度：5.856003，y比例：12.0]e

字符串[x：117.090004，y：139.44，高度：33.480003，间距：5.8497605，宽度：6.6480026，缩放比例：12.0]2

字符串[x：126.375595，y：139.44，高度：33.480003，间距：5.8497605，宽度：6.371994，缩放比例：12.0]o

字符串[x：132.7464，y：139.44，高度：33.480003，间距：5.8497605，宽度：3.6360016，缩放比例：12.0%f

字符串[x：139.0312，y：139.44，高度：33.480003，间距：5.8497605，宽度：9.983994，缩放比例：12.0]m

字符串[x：149.0152，y：139.44，高度：33.480003，间距：5.8497605，宽度：3.3359985，缩放比例：12.0]i

字符串[x：152.3488，y：139.44，高度：33.480003，间距：5.8497605，宽度：6.695999，缩放比例：12.0]n

字符串[x：159.046，y：139.44，高度：33.480003，间距：5.8497605，宽度：3.3359985，缩放比例：12.0]i

字符串[x：162.37961，y：139.44，高度：33.480003，间距：5.8497605，宽度：9.983994，缩放比例：12.0]m

字符串[x：172.3636，y：139.44，高度：33.480003，间距：5.8497605，宽度：5.856003，缩放比例：12.0]a

字符串[x：178.2232，y：139.44，高度：33.480003，间距：5.8497605，宽度：3.251999，缩放比例：12.0]l

字符串[x：181.4812，y：139.44，高度：33.480003，间距：5.8497605，宽度：3.3359985，缩放比例：12.0]i

字符串[x：184.8148，y：139.44，高度：33.480003，空格：5.8497605，宽度：5.1600037，y比例：12.0s]s

字符串[x：189.9712，y：139.44，高度：33.480003，间距：5.8497605，宽度：9.983994，缩放比例：12.0]m

已完成处理第1页 完成添加第1页 字符串[x：90.0，y：266.15997，高度：33.480003，间距：5.8497605，宽度：6.816002，y比例：12.0]P

字符串[x：96.8148，y：266.15997，高度：33.480003，间距：5.8497605，宽度：5.856003，缩放比例：12.0]a

字符串[x：102.6696，y：266.15997，高度：33.480003，间距：5.8497605，宽度：5.9280014，y比例：12.0g]g

字符串[x：108.5964，y：266.15997，高度：33.480003，空格：5.8497605，宽度：5.856003，y比例：12.0]e

字符串[x：117.090004，y：266.15997，高度：33.480003，间距：5.8497605，宽度：6.6480026，缩放比例：12.0]3

字符串[x：126.375595，y：266.15997，高度：33.480003，间距：5.8497605，宽度：6.371994，缩放比例：12.0]o

字符串[x：132.7464，y：266.15997，高度：33.480003，间距：5.8497605，宽度：7.548004，缩放比例：12.0]K

字符串[x：140.3052，y：266.15997，高度：33.480003，间距：5.8497605，宽度：5.856003，缩放比例：12.0]a

字符串[x：146.16，y：266.15997，高度：33.480003，空格：5.8497605，宽度：6.048004，y比例：12.0]y

字符串[x：152.2068，y：266.15997，高度：33.480003，间距：5.8497605，宽度：5.0639954，缩放比例：12.0]？

已完成处理第2页 完成添加第2页

推荐答案

在确定已解析字形的高度时(使用所讨论的字体对象的getFontHeight方法)，PDFBox首先检查手头是否有单个字形的字体度量。它在这里只知道AFM Type 1字体指标；由于您的字体是True Type字体，因此，PDFBox没有此类指标。

在这种情况下，它继续尝试从字体描述符中检索常规字体度量。文档中字体的字体描述符如下所示：

21 0 obj <<
    /Type /FontDescriptor
    /FontName /GLDXOZ+Cambria
    /Flags 4
    /FontBBox [-1475 -2463 2867 3117]
    /ItalicAngle 0
    /Ascent 950
    /Descent -222
    /CapHeight 667
    /StemV 0
    /XHeight 467
    /AvgWidth 615
    /MaxWidth 2919
    /FontFile2 24 0 R
>>
endobj

它检查的第一个描述符项是字体边界框(/FontBBox项)，如果存在，则取其高度的一半作为平均字体高度。

在您的情况下，字体边界框与字体中的字形相比非常非常大；垂直方向从-2463到3117！！

另一方面，大写字母高度(/CapHeight条目，平面大写字母顶部的垂直坐标，从基线测量)仅为667，上升(/Ascent，该字体中的字形达到基线以上的最大高度；不包括重音字符的字形高度)仅为950。这真的让我想知道为什么该字体有这样一个字体边界框...

如果没有字体边界框，PDFBox接下来会尝试使用大写字母高度，然后是Ascant，最后是/XHeight-/Descent。所有这些都会产生一个合理的值，但由于有那个边界框，PDFBox假定的值太大了。

有问题的代码注释为

// the following values are all more or less accurate
// at least all are average values. Maybe we'll find
// another way to get those value for every single glyph
// in the future if needed

虽然我不知道为什么PDFBox更喜欢从边界框中猜测平均高度，而不是像爬升这样的，但它并不是唯一一个假设你的字体的文本是巨大的软件。例如，如果您使用Adobe Acrobat的文本TouchUp工具，您会看到以下内容：

竖线就是光标！所以Acrobat也认为字体太大了。

遗憾的是，您没有提供通过使用MacOSX预览拆分从您的样本创建的单页pdf。因此，我不知道为什么你之后会得到更多现实的信息。但显然，预览以某种方式更改了字体信息，因为高度值过大的原因与文档有多页或只有一页无关。

这篇关于PDFBox 1.8 PrintTextLocations多页文本位置位置高度错误pdf的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！

查看全文
相关文章
其他开发最新文章
热门教程
热门工具
登录 关闭
扫码关注1秒登录
发送“验证码”获取 | 15天全站免登陆