PDFClown 在一行中使用不同的字体大小

Question

我正在使用 PDFClown 分析 PDF 文档。在许多文档中，PDFClown 中的某些角色似乎具有不同的高度，即使它们显然具有相同的高度。有解决方法吗？

这是代码：

    while(_level.moveNext()) {
        ContentObject content = _level.getCurrent();
        if(content instanceof Text) {
            ContentScanner.TextWrapper text = (ContentScanner.TextWrapper)_level.getCurrentWrapper();
            for(ContentScanner.TextStringWrapper textString : text.getTextStrings()) {
                List<CharInfo> chars = new ArrayList<>();
                for(TextChar textChar : textString.getTextChars()) {
                    chars.add(new CharInfo(textChar.getBox(), textChar.getValue()));
                }
            }
        }
        else if(content instanceof XObject) {
            // Scan the external level
            if(((XObject)content).getScanner(_level)!=null){
                getContentLines(((XObject)content).getScanner(_level));
            }
        }
        else if(content instanceof ContainerObject){
            // Scan the inner level
            if(_level.getChildLevel()!=null){
                getContentLines(_level.getChildLevel());
            }
        }
    }

这是一个 PDFDocument 示例：

Example

在本文档中，我标记了两个文本块，它们都包含单词 "million"。在分析 "million" 中每个字符的大小时，会发生以下情况：

"m" 在第一个标记中具有高度：14,50 和宽度：8,5
"i" 在第一个标记中具有高度：14,50 和宽度：3,0
"l" 第一个标记的高度为：14,50，宽度为 3,0
"m" 在第二个标记中有高度：10,56 和宽度：6,255
"i" 在第二个标记中具有高度：10,56 和宽度：2,23
"l" 在第二个标记中具有高度：10,56 和宽度：2,23

即使两个文本块的所有字符显然具有相同的大小 pdf 小丑说大小不同。

Answer 1

此问题是由 PDF Clown 中的错误引起的：它假设标记的内容部分和 save/restore 图形状态块正确地包含在彼此中并且不重叠。 IE。它假设这些结构仅混合为

begin-marked-content
save-graphics-state
restore-graphics-state
end-marked-content

或

save-graphics-state
begin-marked-content
end-marked-content
restore-graphics-state

但从来没有像

save-graphics-state
begin-marked-content
restore-graphics-state
end-marked-content

或

begin-marked-content
save-graphics-state
end-marked-content
restore-graphics-state.

不幸的是，这个假设是错误的，标记的内容部分和 save/restore 图形状态块可以任意混合。

例如在手头的文档中有这样的序列：

q
[...1...]
/P <</MCID 0 >>BDC 
Q
[...2...]
EMC

此处[...1...]包含在被q和Q包围的save/restore图形状态块中，[...2...]包含在被标记的内容块包围中通过 /P <</MCID 0 >>BDC 和 EMC.

但是，由于错误的假设，以及 /P <</MCID 0 >>BDC 和 Q 的排列方式，PDF Clown 将上述内容解析为 [...1...] 和一个空的标记内容块，并且 [...2...] 包含在 save/restore 图形状态块中。

因此，如果 [...2...] 中的图形状态发生变化，PDF Clown 会认为它们仅限于上面的行，而实际上并非如此。

我发现修复此问题的唯一简单方法是禁用 PDF Clown 中标记的内容解析。

为此，我将 org.pdfclown.documents.contents.tokens.ContentParser 更改如下：

在 parseContentObjects() 我禁用了 contentObject instanceof EndMarkedContent 选项：

  public List<ContentObject> parseContentObjects(
    )
  {
    final List<ContentObject> contentObjects = new ArrayList<ContentObject>();
    while(moveNext())
    {
      ContentObject contentObject = parseContentObject();
      // Multiple-operation graphics object end?
      if(contentObject instanceof EndText // Text.
        || contentObject instanceof RestoreGraphicsState // Local graphics state.
       /* || contentObject instanceof EndMarkedContent // End marked-content sequence. */
        || contentObject instanceof EndInlineImage) // Inline image.
        return contentObjects;

      contentObjects.add(contentObject);
    }
    return contentObjects;
  }

在 parseContentObject 我删除了 if(operation instanceof BeginMarkedContent) 分支：

  public ContentObject parseContentObject(
    )
  {
    final Operation operation = parseOperation();
    if(operation instanceof PaintXObject) // External object.
      return new XObject((PaintXObject)operation);
    else if(operation instanceof PaintShading) // Shading.
      return new Shading((PaintShading)operation);
    else if(operation instanceof BeginSubpath
      || operation instanceof DrawRectangle) // Path.
      return parsePath(operation);
    else if(operation instanceof BeginText) // Text.
      return new Text(
        parseContentObjects()
        );
    else if(operation instanceof SaveGraphicsState) // Local graphics state.
      return new LocalGraphicsState(
        parseContentObjects()
        );
 /*   else if(operation instanceof BeginMarkedContent) // Marked-content sequence.
      return new MarkedContent(
        (BeginMarkedContent)operation,
        parseContentObjects()
        );
 */   else if(operation instanceof BeginInlineImage) // Inline image.
      return parseInlineImage();
    else // Single operation.
      return operation;
  }

进行这些更改后，可以正确提取字符大小。

顺便说一句，虽然返回的单个字符框似乎暗示该框是完全根据相关字符自定义的，但事实并非如此：框的宽度仅是字符特定的，高度是根据总体字体属性（和当前字体大小）但不具体针对字符，请参见。 org.pdfclown.documents.contents.fonts.Font 方法 getHeight(char):

  /**
    Gets the unscaled height of the given character.

    @param textChar
      Character whose height has to be calculated.
  */
  public final double getHeight(
    char textChar
    )
  {
    /*
      TODO: Calculate actual text height through glyph bounding box.
    */
    if(textHeight == -1)
    {textHeight = getAscent() - getDescent();}
    return textHeight;
  }

单个字符高度计算仍然是一个 TODO。

PDFClown 在一行中使用不同的字体大小

PDFClown Different font-size in one line

java

pdf

pdfclown