如何读取外观流的文本？

Question

我有一个 PDF，其中注释中显示的文本（在 Adobe Reader 中呈现）与其 /Contents 和 /RC 个条目。这与我在这个问题中处理的问题有关：

在这种情况下，我不想更改外观以匹配注释的内容，而是想做相反的事情：获取外观文本并更改 /Contents 和 /RC 值匹配。例如，如果注释显示 "appearance" 并且 /Contents 设置为 "content"，我想做类似的事情：

void setContent(PdfDictionary dict)
{
 PdfString str = dict.GetAsString(new PdfName("KeyForAppearanceText"));
 dict.Put(PdfName.CONTENTS,str);
}

但我找不到存储外观文本的位置。我得到了 /AP 引用的字典，代码如下：

private PdfDictionary getAPAnnot(PdfArray annotArray,PdfDictionary annot)
        {
            PdfDictionary apDict = annot.GetAsDict(PdfName.AP);
            if (apDict!=null)
            {
                PdfIndirectReference ap = (PdfIndirectReference)apDict.Get(PdfName.N);
                PdfDictionary apRefDict = (PdfDictionary)pdfController.pdfReader.GetPdfObject(ap.Number);
                return apRefDict;
            }
            else
            {
                return null;
            }
        }

此字典具有以下 hashMap：

{[/BBox, [-38.7578, -144.058, 62.0222, 1]]} 
{[/Filter, /FlateDecode]}   
{[/Length, 172]}    
{[/Matrix, [1, 0, 0, 1, 0, 0]]} 
{[/Resources, Dictionary]}

/Resources 间接引用了字体，但没有内容。所以外观流似乎不包含内容数据。

除了 /Contents 和 /RC，注释的数据结构中似乎没有任何地方存储内容数据.外观内容应该去哪里找？

Answer 1

很遗憾，OP 没有提供示例 PDF。不过，考虑到他之前的问题，他很可能对自由文本注释感兴趣。因此，我在这里使用 this example PDF 作为示例。它有一页带有打字机自由文本注释，如下所示：

OP 询问

Other than /Contents and /RC, there doesn't seem to be anywhere in the annotation's data structure that stores content data. Where should I be looking for the appearance contents?

OP 代码的主要缺点是他只考虑正常外观 PdfDictionary:

PdfIndirectReference ap = (PdfIndirectReference)apDict.Get(PdfName.N);
PdfDictionary apRefDict = (PdfDictionary)pdfController.pdfReader.GetPdfObject(ap.Number);

其实是一个PdfStream，也就是一个字典，有一个数据流，这个数据流就是外观绘制指令所在的地方。

但即使有了这个数据流，也没有OP想象的那么简单：

PdfString str = dict.GetAsString(new PdfName("KeyForAppearanceText"));

其实外观流中的文字可以分段绘制，例如在我的示例文件中，流数据如下所示：

0 w
131.2646 564.8243 180.008 30.984 re
n
q
1 0 0 1 0 0 cm
131.2646 564.8243 180.008 30.984 re
W
n
0 g
1 w
BT
/Cour 12 Tf
0 g
131.265 587.96 Td
(This ) Tj
35.999 0 Td
(is ) Tj
21.6 0 Td
(written ) Tj
57.599 0 Td
(using ) Tj
43.2 0 Td
(the ) Tj
-158.398 -16.3 Td
(typewriter ) Tj
79.199 0 Td
(tool.) Tj
ET
Q

此外，编码不需要像此处那样是某种标准编码，而是可以为动态嵌入字体定义。

因此，必须应用完整的文本提取。

这一切都可以这样实现：

for (int page = 1; page <= pdfReader.NumberOfPages; page++)
{
    Console.Write("\nPage {0}\n", page);
    PdfDictionary pageDictionary = pdfReader.GetPageNRelease(page);
    PdfArray annotsArray = pageDictionary.GetAsArray(PdfName.ANNOTS);
    if (annotsArray == null || annotsArray.IsEmpty())
    {
        Console.Write("  No annotations.\n");
        continue;
    }
    foreach (PdfObject pdfObject in annotsArray)
    {
        PdfObject direct = PdfReader.GetPdfObject(pdfObject);
        if (direct.IsDictionary())
        {
            PdfDictionary annotDictionary = (PdfDictionary)direct;
            Console.Write("  SubType: {0}\n", annotDictionary.GetAsName(PdfName.SUBTYPE));
            PdfDictionary appearancesDictionary = annotDictionary.GetAsDict(PdfName.AP);
            if (appearancesDictionary == null)
            {
                Console.Write("    No appearances.\n");
                continue;
            }
            foreach (PdfName key in appearancesDictionary.Keys)
            {
                Console.Write("    Appearance: {0}\n", key);
                PdfStream value = appearancesDictionary.GetAsStream(key);
                if (value != null)
                {
                    String text = ExtractAnnotationText(value);
                    Console.Write("    Text:\n---\n{0}\n---\n", text);
                }
            }
        }
    }
}

使用这个辅助方法

public String ExtractAnnotationText(PdfStream xObject)
{
    PdfDictionary resources = xObject.GetAsDict(PdfName.RESOURCES);
    ITextExtractionStrategy strategy = new LocationTextExtractionStrategy();

    PdfContentStreamProcessor processor = new PdfContentStreamProcessor(strategy);
    processor.ProcessContent(ContentByteUtils.GetContentBytesFromContentObject(xObject), resources);
    return strategy.GetResultantText();
}

对于上面的示例文件，代码的输出是

Page 1
  SubType: /FreeText
    Appearance: /N
    Text:
---
This is written using the 
typewriter tool.
---

注意，有一些注释，特别是复选框和单选按钮的小部件注释，其结构比此处代码预期的要深一些。

如何读取外观流的文本？

How to read text of appearance stream?

c#

pdf

itext

itextsharp