使用 PDFBox 的 PDF 中文本的字体信息

Question

我是 Apache PDFBox 库的新手。

我想将字体信息映射到 PDF 段落

我已经通过Questios How to extract font styles of text contents using pdfbox?

但它没有提供关于哪个段落以哪种字体书写的信息。

例如，如果我的页面包含文本：

para1:宋体

para2:Times New Roman

那么我应该能够得到para1用Arial写而para2用Times New Roman写的信息。

上述问题中提出的解决方案给出了 PDF 页面仅包含的信息

arial and times new roman.

Answer 1

您使用的 PDFTextStripper 类记录如下（参见其 JavaDoc 注释）：

* This class will take a pdf document and strip out all of the text and ignore the
* formatting and such.

因此，要获取特定的字体信息，您必须对其进行一些更改。

字体信息在这个类中一直可用，只在输出一行时丢弃，看看它的source：

protected void writePage() throws IOException
{
    [...]
    for( int i = 0; i < charactersByArticle.size(); i++)
    {
        [...]
        List<TextPosition> line = new ArrayList<TextPosition>();
        [...]
        while( textIter.hasNext() )
        {
            [...]
            if( lastPosition != null )
            {
                [...]
                if(!overlap(positionY, positionHeight, maxYForLine, maxHeightForLine))
                {
                    writeLine(normalize(line,isRtlDominant,hasRtl),isRtlDominant);
                    line.clear();
                    [...]
                }
............

该列表line 中的TextPosition 实例仍然具有所有可用的格式信息，其中包括所使用的字体，只是在“规范化”line 时它被简化为纯字符。

因此，要保留字体信息，您有不同的选择，具体取决于您要如何检索字体信息：

• 如果你想通过getText继续检索单个字符串中的所有页面内容信息（包括字体）：你改变方法

  private List<String> normalize(List<TextPosition> line, boolean isRtlDominant, boolean hasRtl)
  

  在字体更改时包含您选择的一些字体标签（例如[Arial]）。不幸的是，这种方法是私有的。因此，您必须复制整个PDFTextStripper 类并更改副本的代码。

• 如果你想在不同的结构中检索特定的字体信息（例如List<List<TextPosition>>），你可以从PDFTextStripper派生你自己的剥离器类，添加一些你想要的类型的变量，然后覆盖protected方法@上面提到的987654337@，复制它，只在行前或行后进行增强

  writeLine(normalize(line,isRtlDominant,hasRtl),isRtlDominant);
  

  使用代码将信息添加到您的新变量中。例如

  public class MyPDFTextStripper extends PDFTextStripper
  {
      public List<List<TextPosition>> myLines = new ArrayList<List<TextPosition>>();
      [...]
                  if(!overlap(positionY, positionHeight, maxYForLine, maxHeightForLine))
                  {
                      writeLine(normalize(line,isRtlDominant,hasRtl),isRtlDominant);
                      myLines.add(new ArrayList<TextPosition>(line));
                      line.clear();
                      [...]
                  }
  

  现在您可以调用getText 来获取MyPDFTextStripper 的实例，检索纯文本作为结果，并通过新变量访问其他数据

Answer 2

要添加更多字体，而不是库字体，因此您需要专门添加字体文件。