Мне нужно
извлечь текст из pdf, где я примерно использую это
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);
масштабировать 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());
и, наконец, напишите что-нибудь на каждой странице PDF-файла. Я использую один из 14 поддерживаемых шрифтов, упомянутых здесь https://pdfbox.apache.org/1.8/cookbook/workingwithfonts.html. Times New Roman в этом случае.
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());
с writeStringOnPage, выполняющим
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();
Я не учел подписи и ловил блоки по причинам компании. Я всегда закрываю contenttreams.
Большую часть времени обработанные PDF-файлы выглядят хорошо как в Chrome PDF-Viewer, Acrobat Reader, так и после их импорта в BMD. Но в некоторых конкретных случаях у меня возникают проблемы с кодировкой, и некоторые части отображаются неправильно. Весь текст, который я добавляю в PDF, постоянно отображается правильно.
Я понял, что только жирно напечатанный текст в PDF отображается неправильно, поэтому я использовал Adobe Acrobat Reader для просмотра используемых шрифтов.
Arial и Arial, жирный шрифт встраиваются и кодируются с помощью Identity-H. Поскольку все написано жирным шрифтом, я пришел к выводу, что весь текст, написанный на Arial, выделен жирным шрифтом. Все остальное все в порядке после обработки PDF. Я не могу добавить PDF, потому что он содержит данные о клиентах, но вот несколько примеров:
- Rechnungs-Nr: -> 5HFKQXQJV1U
- 60Tage netto (27.12.2019) -> 7DJHQHWWR
Если PDF импортирован в BMD без PDFBox-манипуляций, он отображается правильно.
Я попытался сузить проблемуиз-за только масштабирования и только записи, но проблема возникала оба раза.
Я использую PDFBox 2.017 и Java 8.
Поскольку ошибка также возникает, когда я масштабирую только используемый мной pdf PDFDebugger для сравнения исходного PDF:
и PDF после его масштабирования:
Единственное, что выглядит по-другому / выключено - это запись содержимого.
Когда я открываю масштабированный PDF-файл, щелкаю мышью на разделе «Шрифты» и на шрифте Arial, Bold. я получаю много предупреждений о сопоставлениях Юникода. PDF корректно отображается в PDFDebugger.
Я не эксперт PDFBox, а также со шрифтами и кодировками, поэтому любая помощь будет принята с благодарностью!