PDFBox 文本提取、旋转和字体名称、大小

Question

我正在使用最新的 PDFBOX 库来提取文本，为此，我编写了自定义 PDFStreamEngine（显示了部分代码，但其余代码应该类似）：

else if ("Tf".equals(operation) && parsingTextObject) {
            if (operands.size() < 2) {
                throw new MissingOperandException(operator, operands);
            }

            COSBase base0 = operands.get(0);
            COSBase base1 = operands.get(1);
            if (!(base0 instanceof COSName)) {
                return;
            }
            if (!(base1 instanceof COSNumber)) {
                return;
            }
            COSName fontName = (COSName) base0;
            float fontSize = ((COSNumber) base1).floatValue();
            getGraphicsState().getTextState().setFontSize(fontSize);
            PDFont font = getResources().getFont(fontName);
            getGraphicsState().getTextState().setFont(font);
}

但是，我遇到了 3 个问题：第一个："Tf" 运算符 - 在 PDF /F1 1 Tf 中：当我显示 fontName 和大小时，它显示：EVMANJ+MyriadPro-Regular，大小 1；然而，illustrator 和 adobe acrobat 上的实际字体名称：Myriad Pro，大小 8 pt

第二期：文字是竖着的，如何提取文字的旋转？

第三期：如何正确对待TJ运营商？

P.S: 我可以私下提供pdf

Answer 1

这个问题的答案并不直接，我不得不扩展 showFontGlyph

protected void showFontGlyph(Matrix textRenderingMatrix, PDFont font, int code, String unicode, Vector displacement) throws IOException {
..do you logic here}

为了找到旋转，我不得不将 PDFBox 1.8 中的代码复制粘贴到我的 class

/**
 * Return the direction/orientation of the string in this object based on
 * its text matrix.
 * 
 * @return The direction of the text (0, 90, 180, or 270)
 */
public int getDir() {
    int direction = -1;
    if (direction < 0) {
        float a = getTextMatrix().getScaleY();
        float b = getTextMatrix().getShearY();
        float c = getTextMatrix().getShearX();
        float d = getTextMatrix().getScaleX();
        // 12 0 left to right
        // 0 12
        if (a > 0 && Math.abs(b) < d && Math.abs(c) < a && d > 0) {
            direction = 0;
        }
        // -12 0 right to left (upside down)
        // 0 -12
        else if (a < 0 && Math.abs(b) < Math.abs(d) && Math.abs(c) < Math.abs(a) && d < 0) {
            direction = 180;
        }
        // 0 12 up
        // -12 0
        else if (Math.abs(a) < Math.abs(c) && b > 0 && c < 0 && Math.abs(d) < b) {
            direction = 90;
        }
        // 0 -12 down
        // 12 0
        else if (Math.abs(a) < c && b < 0 && c > 0 && Math.abs(d) < Math.abs(b)) {
            direction = 270;
        } else {
            direction = 0;
        }
    }
    return direction;
}

并且我在处理流时检测到TJ运算符时调用了getDir函数。

PDFBox 文本提取、旋转和字体名称、大小

PDFBox text extraction, rotation and font name, size

pdf

pdfbox