我一直在努力解决与PDFBox和PDF编辑相关的问题 . 我被分配了一个任务,即在给定PDF文件的情况下编辑几个字符串,并将带有编辑过的字符串的文件的镜像版本输出到其中 . 我被告知过去使用这个工具已经解决了这个问题,所以我被告知要做同样的事情 . 我正在使用的功能是这样的:
public void doIt( String inputFile, String outputFile, String strToFind, String message)
throws IOException, COSVisitorException
{
// the document
PDDocument doc = null;
try
{
doc = PDDocument.load( inputFile );
List pages = doc.getDocumentCatalog().getAllPages();
for( int i=0; i
{
PDPage page = (PDPage)pages.get( i );
PDStream contents = page.getContents();
PDFStreamParser parser = new PDFStreamParser(contents.getStream() );
parser.parse();
List tokens = parser.getTokens();
for( int j=0; j
{
Object next = tokens.get( j );
if( next instanceof PDFOperator )
{
PDFOperator op = (PDFOperator)next;
//Tj and TJ are the two operators that display
//strings in a PDF
if( op.getOperation().equals( "Tj" ) )
{
//Tj takes one operator and that is the string
//to display so lets update that operator
COSString previous = (COSString)tokens.get( j-1 );
String string = previous.getString();
string = string.replaceFirst( strToFind, message );
previous.reset();
previous.append( string.getBytes("ISO-8859-1") );
}
else if( op.getOperation().equals( "TJ" ) )
{
COSArray previous = (COSArray)tokens.get( j-1 );
for( int k=0; k
{
Object arrElement = previous.getObject( k );
if( arrElement instanceof COSString )
{
COSString cosString = (COSString)arrElement;
String string = cosString.getString();
string = string.replaceFirst( strToFind, message );
cosString.reset();
cosString.append( string.getBytes("ISO-8859-1") );
}
}
}
}
}
//now that the tokens are updated we will replace the
//page content stream.
PDStream updatedStream = new PDStream(doc);
OutputStream out = updatedStream.createOutputStream();
ContentStreamWriter tokenWriter = new ContentStreamWriter(out);
tokenWriter.writeTokens( tokens );
page.setContents( updatedStream );
}
doc.save( outputFile );
}
finally
{
if( doc != null )
{
doc.close();
}
}
}
但是,我给出的文件根本没有被修改过 . 什么都没发生 . 经过进一步检查,我决定分析解析器生成的令牌的顺序 . 正在COSString元素以外的所有内容中正确解析该文件,其中包含看起来像是错误编码的乱码字符(随机符号和数字串) . 我尝试解析其他文档,并且该函数可以与其中一些文档一起使用,但不是我作为输入传递的所有内容(乳胶输出文件已正确修改并且已正确编码COSStrings,而其他自动生成的pdfs没有产生带有乱码COSString内容的结果) . 我也很确定正在正确读取结构的其余部分,因为我在不同的文件上重建输出,并且输出文件看起来与输入完全相同,这似乎意味着正在正确分析文件结构 . 该文件包含Identity-H编码字体 .
我尝试使用PDFTextStripper(从PDF中提取文本)解析同一个文件,并从那里解析输出返回正确的文本输出,使用:
PDFTextStripper pdfStripper = new PDFTextStripper("UTF-8");
String result = pdfStripper.getText(doc);
System.out.println(result);
这可能是编码问题吗?我可以告诉PDFStreamParser(或负责任的人)强制读取编码吗?它甚至是编码问题,因为文本提取工作正常吗?
在此先感谢您的帮助 .