PDFBox获取缩写的内容含义

Question

我在使用 PDFBox java 库时遇到问题。我正在尝试处理 pdf 的结构并在不丢失信息的情况下做到这一点我正在使用 PDPage.getContents() 而不是文本剥离器。

问题是，它显示的内容有很多缩写和数字等，我无法在网站上找到解释。

一个例子：

BT
0.001 Tc
1.2045 TL
9.9626 0 0 9.9626 53.04069 571.90505 Tm
[(con)26.6(t)4.4(aining)-378.3(their)-378.2(a)-4.9(sso)-29(ciated)-358.9(eigen)26.6(v)59(alues)] TJ
ET
BT
0 Tc
0 TL
/F8 1 Tf
9.9626 0 0 9.9626 226.08209 571.90505 Tm
[(2)] TJ
ET
BT
/F11 1 Tf
6.9738 0 0 6.9738 231.84 570.465 Tm
[(d)] TJ
ET
BT
0.0002 Tc
/F5 1 Tf
9.9626 0 0 9.9626 236.64 571.905 Tm
[(,)-372.5(i)0.9(n)-383.8(d)1.7(escending)-379.1(o)-5.7(r)-5.6(der)-5.6(.)-360.4(Beca)-5.7(use)-362.4(t)3.6(he)] TJ
ET
BT
-0.0008 Tc
1.2045 TL
9.9626 0 0 9.9626 53.04024 559.90505 Tm
[(co)17.4(v)57.2(a)-6.7(r)-6.6(i)-0.1(a)-6.7(n)0.7(ce)-267(ma)-6.7(tr)-6.6(ix)-280(is)-280.9(symmetr)-6.6(ic)-279.1(a)-6.7(n)0.7(d)-288.4(s)-3.8(emip)-23.4(o)-6.7(s)-3.8(itiv)21.1(e)-279.1(d)0.7(e“nite,)-289.1(t)2.6(he)-291.1(eig)-6.7(e)-2(n)24.8(v)21.1(ecto)-6.7(r)-6.6(s)-256.8(a)-6.7(r)-6.6(e)] TJ
ET

我能够翻译一些简单明显的内容（ET = 结束文本，BT = 开始文本），但基本上我无法确定其他所有内容。 "syllables" 旁边的数字似乎与位置有关。

我特别感兴趣的是 /F5、/F7、..；它们似乎与它们后面的文本格式有关，但仅知道这一点对一般的 pdf 分析没有真正帮助，我需要更多信息。

我很乐意接受任何可能有用的信息。提前谢谢你:)

Answer 1

最好的起点是PDF 32000 specification中的附件A（左边）"operator summary"，或者第645页。一开始，我一直用它。

在您的示例中，"Tf" 是 "select font"。要找出字体是什么，请使用 PDFDebugger 在资源字典中查找名称，或将鼠标光标悬停在 "Tf" 上并等待显示字体名称。这是一个例子：

所以 /TT2 是 Verdana,Bold 字体子集。

PDFBox获取缩写的内容含义

PDFBox get content meaning of abbreviations

java

pdfbox