java - PDFClown 一行中不同字体大小

Question

我正在使用 PDFClown 来分析 PDF 文档。在许多文档中，PDFClown 中的某些字符似乎具有不同的高度，即使它们显然具有相同的高度。有解决办法吗？

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 PDF 文档示例:

Example

在本文档中，我标记了两个文本 block ，它们都包含单词“million”。当分析两个“百万”中每个字符的大小时，会发生以下情况:

1. 第一个标记中的“m”高度:14,50，宽度:8,5
2. 第一个标记中的“i”高度:14,50，宽度:3,0
3. 第一个标记中的“l”高度为:14,50，宽度为3,0
4. 第二个标记中的“m”高度:10,56，宽度:6,255
5. 第二个标记中的“i”高度:10,56，宽度:2,23
6. 第二个标记中的“l”高度:10,56，宽度:2,23

即使两个文本 block 的所有字符显然具有相同的大小，pdf clown 也会说大小不同。

Answer 1

该问题是由 PDF Clown 中的错误引起的:它假设标记的内容部分和保存/恢复图形状态 block 正确地相互包含并且不重叠。 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

但从未如此

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，标记的内容部分和保存/恢复图形状态 block 可以以任何它们喜欢的方式混合。

例如在手头的文档中有这样的序列:

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

这里[...1...]包含在 q 包围的保存/恢复图形状态 block 中和Q和[...2...]包含在 /P <</MCID 0 >>BDC 包围的标记内容 block 中和EMC .

但是，由于错误的假设，以及方式 /P <</MCID 0 >>BDC和Q排列好后，PDF Clown 将上面的内容解析为 [...1...]和一个空的标记内容 block 和 [...2...]包含在保存/恢复图形状态 block 中。

因此，如果 [...2...] 内部的图形状态发生变化，PDF Clown 假设它们仅限于上面的行，但实际上并非如此。

<小时/>

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

为此，我更改了 org.pdfclown.documents.contents.tokens.ContentParser如下:

1. 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;
     }
   

2. 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;
     }
   

完成这些更改后，可以正确提取字符大小。

<小时/>

顺便说一句，虽然返回的单个字符框似乎暗示该框完全是针对相关字符自定义的，但事实并非如此:框的宽度仅是特定于字符的，高度是根据整体字体计算的属性(和当前字体大小)，但不是特定于字符，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待办事项。