Извлечение текста PDFBOX с сохранением шрифта/координат вызывает смещение в определенных символах ⇐ JAVA

[Anonymous]

Я использую Apache Pdfbox для анализа документа PDF и извлечения текста в новый PDF, сохраняя оригинальные шрифты и координаты. Версия PDFBox составляет «3.0.2», в целом работает следующий код, но вызывает значительные компенсации координат для конкретных символов (например, китайские символы «一年级» в PDF 0.pdf).
символы »一 一 一 一 一 一年级 «Появляется перемещенным на ~ 20-30 единицах по сравнению с их первоначальными позициями. Другие текстовые элементы сохраняют правильные координаты.
Как я могу решить это смещение? < /P>
public static void main(String[] args) {
String input = "0.pdf";
String out = "0_out.pdf";
PDDocument document = null;
try {
document = Loader.loadPDF(new File(input));
PDDocument outDoc = new PDDocument();
copyPdfText(document, outDoc);
outDoc.save(new File(out));
outDoc.close();
} catch (IOException e) {
e.printStackTrace();
}

}

public static void copyPdfText(PDDocument source, PDDocument target) throws IOException {
Set
backupFonts = new HashSet();
PDFont font_simhei = PDType0Font.load(source, new File("C:\\Users\\admin\\Desktop\\simhei.ttf"));
backupFonts.add(font_simhei );
for (int i = 0; i < source.getNumberOfPages(); i++) {
PDPage sourcePage = source.getPage(i);

PDPage targetPage = null;
if (i < target.getNumberOfPages()) {
targetPage = target.getPage(i);

} else {
float pageWidth = sourcePage.getCropBox().getWidth();
float pageHeight = sourcePage.getCropBox().getHeight();
targetPage = new PDPage(new PDRectangle(pageWidth, pageHeight));
target.addPage(targetPage);

}
copyText2(backupFonts, source, i, target, targetPage);
}

}

public static void copyText2(Set backupFonts, PDDocument source, int sourcePageNumber, PDDocument target, PDPage targetPage) throws IOException {
List allTextPositions = new ArrayList();
PDFTextStripper pdfTextStripper = new PDFTextStripper() {
@Override
protected void writeString(String text, List textPositions) throws IOException {
allTextPositions.addAll(textPositions);
super.writeString(text, textPositions);
}
};
pdfTextStripper.setStartPage(sourcePageNumber + 1);
pdfTextStripper.setEndPage(sourcePageNumber + 1);
pdfTextStripper.setSortByPosition(true);
pdfTextStripper.getText(source);
Iterable fontNames = source.getPage(sourcePageNumber).getResources().getFontNames();
for (COSName cs : fontNames) {
PDFont ft = source.getPage(sourcePageNumber).getResources().getFont(cs);
backupFonts.add(ft);
}

PDPageContentStream contentStream = new PDPageContentStream(target, targetPage, PDPageContentStream.AppendMode.APPEND, true, true);
contentStream.beginText();

for (TextPosition position : allTextPositions) {
try {
// set font and fontsize
contentStream.setFont(position.getFont(), position.getFontSizeInPt());
Matrix m = position.getTextMatrix().clone();
m.concatenate(position.getFont().getFontMatrix());
int angle = (int) Math.round(Math.toDegrees(Math.atan2(m.getShearY(), m.getScaleY())));
// 获取文本的坐标和旋转信息
float tx = position.getXDirAdj();
float ty = position.getTextMatrix().getTranslateY();
float fontSize = position.getFontSize();
double theta = (angle * Math.PI) / 180;
// 构建旋转矩阵
float cos = (float) Math.cos(theta);
float sin = (float) Math.sin(theta);
// 构建完整的变换矩阵，考虑字体大小和旋转
float a = cos * fontSize;
float b = sin * fontSize;
float c = -sin * fontSize;
float d = cos * fontSize;
float e = tx;
float f = ty;

Matrix newMat = new Matrix(a, b, c, d, e, f);
contentStream.setTextMatrix(newMat);
contentStream.showText(position.getUnicode());
} catch (Exception e) {
System.out.println("--------------------------------exception");
PDFont fft = getAvaliableFont(position.getUnicode(), backupFonts);
if (fft != null) {
//适配的字体？
contentStream.setFont(fft, position.getFontSizeInPt());
// contentStream.newLineAtOffset(position.getX() - x, - (position.getY() - y));
contentStream.showText(position.getUnicode());
}

}
}
contentStream.endText();
contentStream.close();
}

public static PDFont getAvaliableFont(String text, Set backups) {
for (PDFont ft : backups) {
try {
if (ft.encode(text) != null) {
return ft;
}
} catch (Exception e) {
System.out.println(ft.getName() + " ");
}
}
return null;
}
< /code>
Я попытался изменить шрифт на локальный 'simhei' при обработке специальных Chars "一年级";
нравится это: < /p>
` contentStream.setFont( font_simhei , position.getFontSizeInPt());`
< /code>
Кажется, что работает, координата верна, но я не уверен, когда проблема снова случится в других файлах PDF и как ее решить < /p>
Это оригинальный PDF выглядит в Adobe:
o_oriinal.jpg < /p>
И это выходной файл выглядит в Adobe ： < /p>
0_dest.jpg
Я печатаю текстовую позицию, вот результат:
TextMatrix:[29.0,0.0,0.0,29.0,42.2633,684.99915]--XDirAdj:42.2633--YDirAdj:52.008423--text:一
TextMatrix:[29.0,0.0,0.0,29.0,42.2633,651.93915]--XDirAdj:42.2633--YDirAdj:85.06842--text:年
TextMatrix:[29.0,0.0,0.0,29.0,42.2633,618.90814]--XDirAdj:42.2633--YDirAdj:118.09943--text:级
TextMatrix:[75.6,0.0,0.0,72.0,141.54689,601.7391]--XDirAdj:141.54689--YDirAdj:135.2685--text:校
TextMatrix:[75.6,0.0,0.0,72.0,220.92688,601.7391]--XDirAdj:220.92688--YDirAdj:135.2685--text:本


Подробнее здесь: https://stackoverflow.com/questions/794 ... ignment-in