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
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。
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!