java pdfbox encoding_Java PDFBox - 读取和修改带有特殊字符的pdf（变音符号）

您不能只替换字符串中的文本 . 我不轻易说 . 我曾经多年前在Acrobat上工作，并在初始版本中使用了文本搜索工具，因此我对文本编码问题有了相当深刻的理解 . 主要问题是PDF中的每个字符串都以某种方式编码 . 这是因为PDF是在Unicode通常可用之前制作的，并且在PostScript中具有历史记录 . PosctScript喜欢为字体提供非常灵活的编码方法，并鼓励重新编码 .

让我们退后一步，了解整体情况 .

PDF格式的字符串中的字符默认情况下用文本运算符显示，编码为一系列8位字符 . 要确定为每个字节绘制的字形，将通过该字体的编码向量推送该字节 . 编码向量将字节映射到字形名称，然后在字体中查找并在页面上绘制 . 请注意，此描述是半真半假的(稍后) .

大多数生成PDF的应用程序都很友好，只使用标准编码，例如 StandardEncoding 或 WinAnsiEncoding ，其中大多数都非常合理 . 其他人将使用标准编码和 encoding delta ，它们是从标准编码到编码的差异 .

有些应用程序试图在它们生成的PDF中更加节俭，因此它们会查看它们使用的字形并决定嵌入字体的子集 . 如果他们只使用大写和小写罗马字母和数字，他们重建没有这些元素的字体，并可能选择重新索引它们并提供一个编码矢量，使字节0x00转到字形'a'，0x01转到字形'b'等 .

现在回到半真半假 . 有一类字符由字符ID(或CID)编码，TrueType和OpenType字体属于该类别 . 在这种情况下，您可以访问Unicode，但是还有一个编码步骤，您可以将字符串(现在为UTF16BE)映射到CID，该CID用于从字体中获取字形 . 并且由于没有特别好的理由ÿ