java - 如何在 pdfbox 2.0.0 上的 truetype0font 中添加 unicode？

Question

我一直在 Java 项目中使用 PDFBOX 2.0.0 版将 pdf 转换为文本。

我的几个 pdf 缺少 ToUnicode 方法，所以当我导出它们时，它们会以乱码形式出现。
2016-09-14 10:44:55 WARN org.apache.pdfbox.pdmodel.font.PDSimpleFont(1):322 - No Unicode mapping for 694 (30) in font MPBAAA+F1
在上面的 WARN 中，不是真实字符，而是一个乱码 unicode (30)。

我能够通过编辑 additional.txt 来克服它。 pdfbox 中的文件，因为从反复试验中我了解到字符的代码(在这种情况下为 694)代表某个希伯来字母(צ)。

这是我在文件中编辑的内容的简短示例:

-694;05E6 #HexaDecimal value for the letter צ
-695;05E7
-696;05E8

后来我在不同的 pdf 上遇到了几乎相同的警告，但我没有得到任何字符，而不是乱码。
可以在此处查看此问题的更详细说明 - pdf reading via pdfbox in java
2016-09-14 11:07:10 WARN org.apache.pdfbox.pdmodel.font.PDType0Font(1):431 - No Unicode mapping for CID+694 (694) in font ABCDEE+Tahoma,Bold
如您所见，警告来自不同的类( PDType0Font )而不是第一个警告( PDSimpleFont )，但是它们的代号 (694) 是相同的，并且它们都在谈论相同的内容特点。

除了 additional.txt 之外，还有其他我应该编辑的文件吗？将 694 代码(希伯来字母 צ)指向正确的 unicode？

谢谢

Answer 1

下面是一些在字体中添加 ToUnicode CMap 流的代码。显然我不能用你的文件来做，所以我用了我的一个测试文件，可以找到 here .我不得不单独处理每个条目，并没有完成所有工作。然而，结果足以提取绿色打印中的第一个单词(“Bedingungen”)。

该场景有点适合您:

身份-H条目

没有 ToUnicode 条目

具体字体名称

try (PDDocument doc = PDDocument.load(f))
{
    for (int p = 0; p < doc.getNumberOfPages(); ++p)
    {
        PDPage page = doc.getPage(p);
        PDResources res = page.getResources();
        for (COSName fontName : res.getFontNames())
        {
            PDFont font = res.getFont(fontName);
            COSBase encoding = font.getCOSObject().getDictionaryObject(COSName.ENCODING);
            if (!COSName.IDENTITY_H.equals(encoding))
            {
                continue;
            }
            // get real name
            String fname = font.getName();
            int plus = fname.indexOf('+');
            if (plus != -1)
            {
                fname = fname.substring(plus + 1);
            }
            if (font.getCOSObject().containsKey(COSName.TO_UNICODE))
            {
                continue;
            }
            System.out.println("File '" + f.getName() + "', page " + (p + 1) + ", " + fontName.getName() + ", " + font.getName());
            if (!fname.startsWith("Calibri-Bold"))
            {
                continue;
            }
            COSStream toUnicodeStream = new COSStream();
            try (PrintWriter pw = new PrintWriter(toUnicodeStream.createOutputStream(COSName.FLATE_DECODE)))
            {
                // "9.10 Extraction of Text Content" in the PDF 32000 specification
                pw.println ("/CIDInit /ProcSet findresource begin\n" +
                        "12 dict begin\n" +
                        "begincmap\n" +
                        "/CIDSystemInfo\n" +
                        "<< /Registry (Adobe)\n" +
                        "/Ordering (UCS) /Supplement 0 >> def\n" +
                        "/CMapName /Adobe-Identity-UCS def\n" +
                        "/CMapType 2 def\n" +
                        "1 begincodespacerange\n" +
                        "<0000> <FFFF>\n" +
                        "endcodespacerange\n" +
                        "10 beginbfchar\n" + // number is count of entries
                        "<0001><0020>\n" + // space
                        "<0002><0041>\n" + // A
                        "<0003><0042>\n" + // B
                        "<0004><0044>\n" + // D
                        "<0013><0065>\n" + // e
                        "<0012><0064>\n" + // d
                        "<0017><0069>\n" + // i
                        "<001B><006E>\n" + // n
                        "<0015><0067>\n" + // g
                        "<0020><0075>\n" + // u
                        "endbfchar\n" +
                        "endcmap CMapName currentdict /CMap defineresource pop end end");
            }
            font.getCOSObject().setItem(COSName.TO_UNICODE, toUnicodeStream);
        }
    }
    doc.save("huhu.pdf");
}

顺便说一句，未发布的 2.1 版本的 PDFDebugger 有一些改进的功能来显示字体，你可以得到它 here :

您可以使用它来验证您的 ToUnicode CMap 是否有意义。以下是我所做的更改: