在 pdfbox 中使用 PDType0Font 時出現 PDFTextStripper().getText 問題

Question

我最近開始使用 PDType0Font（我們使用了 PDType1Font.HELVETICA 但需要 unicode 支持）並且我面臨一個錯誤，我使用 PDPageContentStream 向文件添加行但 PDFTextStripper.getText 沒有得到更新文件內容。

我正在加載字體：

PDType0Font.load(document, fontFile)

並按如下方式創建 contentStream：

PDPageContentStream(document, pdPage, PDPageContentStream.AppendMode.PREPEND, false)

我將內容添加到 pdf 的功能是：

  private fun addTextToContents(contentStream: PDPageContentStream, txtLines: List<String>, x: Float, y: Float, pdfFont: PDFont, fontSize: Float, maxWidth: Float) {
     contentStream.beginText()
     contentStream.setFont(pdfFont, fontSize)
     contentStream.newLineAtOffset(x, y)
     txtLines.forEach { txt ->
       contentStream.showText(txt)
       contentStream.newLineAtOffset(0.0F, -fontSize)
     }
     contentStream.endText()
     contentStream.close()

當我嘗試使用 PDFTextStripper.getText 讀取文件內容時，我會在更改之前獲取文件。 但是，如果我在閱讀 PDFTextStripper 之前添加 document.save，它會起作用。

      val txt: String = PDFTextStripper().getText(doc) //not working

      doc.save(//File)
      val txt: String = PDFTextStripper().getText(doc) //working

如果我在使用 PDType1Font.HELVETICA

contentStream.setFont(pdfFont, fontSize)

一切正常，沒有任何問題，並且在閱讀文本之前無需保存文檔。

我懷疑問題出在 PDPageContentStream.showTextInternal() 中的代碼上：

        // Unicode code points to keep when subsetting
    if (font.willBeSubset())
    {
        int offset = 0;
        while (offset < text.length())
        {
            int codePoint = text.codePointAt(offset);
            font.addToSubset(codePoint);
            offset += Character.charCount(codePoint);
        }
    }

這是將 PDType0Font 與 embedsubsets 和 PDType1Font 一起使用時唯一不同的地方。

有人可以幫忙嗎？ 我究竟做錯了什么？

Answer 1

您的問題，特別是引用的代碼，已經暗示了您問題的答案：

當使用子集字體（ font.willBeSubset() == true ）時，關聯的 PDF 對象在保存文件之前未完成。 另一方面，文本提取需要完成的 PDF 對象才能正常工作。 因此，不要將文本提取應用於仍在創建的文檔並使用將是子集的字體。

您將您的用例描述為

對於我們的單元測試，我們將文本（對我們來說是強制性文本）添加到文檔中，然后使用 PDFTextStripper 驗證文件是否具有正確的字段。

正如 Tilman 所建議的那樣：那么保存 PDF 然后重新加載會更有意義。 那將是一個更現實的測試。 恕我直言，不儲蓄就是偷工減料。

實際上，在單元測試中，您應該首先生成最終的 PDF，因為它將被發送（即，將其保存到文件系統或內存中），然后重新加載該文件，並僅測試這個重新加載的文檔。