使用PDFBox后的编码问题

Question

我必须

1. 从pdf提取文本，我在这里粗略地使用它

   f = IOUtility.getFileForPath(filePath);
   RandomAccessFile randomAccessFile = new RandomAccessFile(f, "r");
   PDFParser parser = new PDFParser(randomAccessFile);
   parser.parse();
   cosDoc = parser.getDocument();
   pdfStripper = new PDFTextStripper();
   pdDoc = new PDDocument(cosDoc);
   pdfStripper.setStartPage(1);
   pdfStripper.setEndPage(pdDoc.getNumberOfPages());
   String parsedText = pdfStripper.getText(pdDoc);
   

2. 缩放PDF

   File PDFFile = IOUtility.getFileForPath(scaleConfig.getFilePath());
   document = PDDocument.load(PDFFile);
   
   for (PDPage page : document.getPages()) {
       PDRectangle cropBox = page.getCropBox();
       float tx = ((cropBox.getLowerLeftX() + cropBox.getUpperRightX()) * 0.03f) / 2;
       float ty = ((cropBox.getLowerLeftY() + cropBox.getUpperRightY()) * 0.03f) / 2;
       PDPageContentStream cs = new PDPageContentStream(document, page, PDPageContentStream.AppendMode.PREPEND, false, false);
       cs.transform(Matrix.getScaleInstance(0.97f, 0.97f));
       cs.transform(Matrix.getTranslateInstance(tx, ty));
       cs.close();
   }
   document.save(scaleConfig.getTargetFilePath());
   

3. ，最后在pdf的每一页上写点东西。我使用这里提到的14种受支持的字体之一https://pdfbox.apache.org/1.8/cookbook/workingwithfonts.html。在这种情况下为Times New Roman。

   File PDFFile = IOUtility.getFileForPath(writeConfig.getFilePath());
   document = PDDocument.load(PDFFile);
   for (PDPage page : document.getPages()) {
       PDFBoxHelper.fixRotation(document, page);
       writeStringOnPage(document, page, writeConfig);
   }
   document.save(writeConfig.getTargetFilePath());
   

   [writeStringOnPage正在执行

   contentStream = new PDPageContentStream(document, page, PDPageContentStream.AppendMode.APPEND, false, true);
   WriteCoordinates writeCoordinates = WriteCoordinateFactory.buildCoordinates(writeConfig, page.getMediaBox());
   contentStream.beginText();
   // lower left x and lower left y are different after rotation so use those for your calculation
   contentStream.newLineAtOffset(writeCoordinates.getX(), writeCoordinates.getY());
   contentStream.setFont(writeConfig.getFont(), writeConfig.getFontSize());
   contentStream.setNonStrokingColor(writeConfig.getFontColor());
   contentStream.showText(writeConfig.getToWrite());
   contentStream.endText();
   

由于公司原因，我省略了签名和识别块。我总是关闭内容流。

大多数情况下，处理过的PDF在Chrome PDF-Viewer，Acrobat Reader中以及将它们导入BMD后看起来都很好。但是在某些特定情况下，我似乎有编码问题，某些部分无法正确显示。我添加到PDF上的所有文本始终正确显示。

我意识到在PDF中仅粗体显示了错误显示的文本，所以我使用Adobe Acrobat Reader查看所使用的字体。

Arial和Arial，Bold被嵌入并使用Identity-H进行编码。当一切都以粗体显示时，我得出结论，所有以Arial，Bold书写的文本均显示错误。处理pdf后，其他一切都还不错。我无法添加pdf，因为它具有客户数据，但以下是一些示例：

1. Rechnungs-Nr：-> 5HFKQXQJV1U
2. 60 Tage netto（27.12.2019）-> 7DJHQHWWR

如果PDF是在没有PDFBox操作的情况下以BMD导入的，则显示正确。

我试图仅通过缩放和仅写来缩小问题的范围，但是两次都出现了问题。

我正在使用PDFBox 2.017和Java 8。

因为当我仅缩放我使用的PDF时也会发生错误，因此[比较原始PDF：

和我缩放后的pdf：

唯一看起来不同/不同的是目录条目。

当我打开缩放的PDF时，单击字体部分和Arial，Bold字体，我会收到很多有关unicode映射的警告。 PDF可以正确显示在PDFDebugger中。

我既不是PDFBox的专家，也不是字体和编码的专家，所以将不胜感激！

Answer 1

简而言之

相关的区别是PDFBox对名称的序列化方式不同。但是根据PDF规范的不同输出是等效的，因此您显然已经发现了WPViewPDF错误。

写名字的区别

在原始PDF（raw.pdf）中，您找到名称

NOWFJV + Arial，Bold和NOWFJV + Arial，Bold-WinCharSetFFFF，在由PDFBox处理的所有文件中，所有这些名称的出现在内容流之外被NOWFJV + Arial＃2CBold和NOWFJV + Arial＃2CBold-WinCharSetFFFF代替。

WPViewPDF无法正确显示以这些更改的名称字体显示的文本。将PDF修补回以在这些名称中包含逗号代替“＃2C”之后，WPViewPDF再次正确显示此类文本。

我以为WPViewPDF在内容流中找到了

NOWFJV + Arial，Bold

，并期望使用相同的书写名称在页面资源中找到匹配的字体定义，因此它无法使用名称 NOWFJV + Arial＃2CBold。是PDFBox错误吗？

根据PDF规范，>

名称中的任何常规字符（除NUMBER SIGN之外的字符均应以其本身或使用其2位数的十六进制代码并以NUMBER SIGN开头的形式编写。

（ISO 32000-2，第7.3.5节“名称对象”）

因此，用'＃2C'序列替换名称中的逗号是写这些名称的完全有效的替代方法。

因此，不是，这不是PDFBox错误，但显然是WPViewPDF错误。