pdfbox: ... ist nicht in der Codierung dieser Schrift verfügbar

Question

Ich habe Probleme mit pdfbox 2.0.2 beim Schreiben eines PDF-Dokuments aus Elementen eines zuvor gelesenen Dokuments (https://www.dropbox.com/s/ttxiv0dq3abh5kj/Test.pdf?dl=0). Alles funktioniert gut, außer wenn ich showText auf einem PDPageContentStream anrufe, wo ich vorher die Schrift mit out.setFont(textState.getFont(), textState.getFontSize()) eingestellt habe (siehe das INFORMATION-Log) und die Schriftart ist ComicSansMS oder ArialBlack. textState ist (ein Klon von) der Zustand aus dem zuvor gelesenen Dokument. Schreiben von Text mit Helvetica oder Times-Roman funktioniert gut.

INFORMATION: set font PDTrueTypeFont RXNQOL+ComicSansMS,Bold/18.0 embedded  
SEVERE: error writing <w>U+0077 is not available in this font's encoding: built-in (TTF) 

Ich nehme an, das Problem durch einen fehlenden Bindestrich oder Leerzeichen in dem Schriftnamen verursacht werden kann, habe aber keine Ahnung, wie dies zu beheben.

Dies ist die komplette Code

import java.awt.Point; 
import java.awt.geom.Point2D; 
import java.io.File; 
import java.io.IOException; 
import org.apache.pdfbox.contentstream.PDFGraphicsStreamEngine; 
import org.apache.pdfbox.cos.COSName; 
import org.apache.pdfbox.pdmodel.PDDocument; 
import org.apache.pdfbox.pdmodel.PDPage; 
import org.apache.pdfbox.pdmodel.PDPageContentStream; 
import org.apache.pdfbox.pdmodel.font.PDFont; 
import org.apache.pdfbox.pdmodel.graphics.image.PDImage; 
import org.apache.pdfbox.pdmodel.graphics.state.PDTextState; 
import org.apache.pdfbox.util.Matrix; 
import org.apache.pdfbox.util.Vector; 

public class Test extends PDFGraphicsStreamEngine { 

public static void main(String[] args) throws IOException { 
    test(); 
} 

public static void test() throws IOException { 
    PDDocument document = PDDocument.load(new File("Test.pdf")); 
    PDPage pageIn = document.getPage(0); 
    PDDocument saveDoc = new PDDocument(); 
    PDPage savePage = new PDPage(pageIn.getMediaBox()); 
    saveDoc.addPage(savePage); 
    try (PDPageContentStream out = new PDPageContentStream(saveDoc, savePage)) { 
     Test test = new Test(pageIn, out); 
     test.processPage(pageIn); 
    } 
} 

private final PDPageContentStream out; 

public Test(PDPage pageIn, PDPageContentStream out) { 
    super(pageIn); 
    this.out = out; 
} 

@Override 
public void appendRectangle(Point2D p0, Point2D p1, Point2D p2, Point2D p3) throws IOException { 
} 

@Override 
public void clip(int windingRule) throws IOException { 
} 

@Override 
public void closePath() throws IOException { 
} 

@Override 
public void curveTo(float x1, float y1, float x2, float y2, float x3, float y3) throws IOException { 
} 

@Override 
public void drawImage(PDImage pdImage) throws IOException { 
} 

@Override 
public void endPath() throws IOException { 
} 

@Override 
public void fillAndStrokePath(int windingRule) throws IOException { 
} 

@Override 
public void fillPath(int windingRule) throws IOException { 
} 

@Override 
public Point2D getCurrentPoint() { 
    return new Point(0, 0); 
} 

@Override 
public void lineTo(float x, float y) throws IOException { 
} 

@Override 
public void moveTo(float x, float y) throws IOException { 
} 

@Override 
public void shadingFill(COSName shadingName) throws IOException { 
} 

@Override 
protected void showGlyph(Matrix textRenderingMatrix, PDFont font, int code, String unicode, Vector displacement) throws IOException { 
    super.showGlyph(textRenderingMatrix, font, code, unicode, displacement); 
    PDTextState textState = getGraphicsState().getTextState(); 
    out.beginText(); 
    out.setTextMatrix(getTextMatrix()); 
    out.setFont(textState.getFont(), textState.getFontSize()); 
    out.showText(unicode); 
    out.endText(); 
} 

@Override 
public void strokePath() throws IOException { 
} 

} 

Irgendwelche Vorschläge?

Danke, Juergen

Answer 1

tl; dr: Das Schrift nicht Codierung unterstützt.

Die Ursache des Problems ist, dass Ihre Comic Sans-Untergruppe Schriftart eine "Post" (Postscript) -Tabelle hat, aber dass seine GlyphNames-Tabelle Null ist. I.e. Ihre Schriftart hat keine Glyphnamen. Für A-Z, a-z sind die Namen wie diese Zeichen; für "(" der Glyphename ist "parenleft". Da diese Namen fehlen, erzeugt PDFBox Pseudonyme aus der Glyphen-ID wie "90" (statt "w") für "w" im zweiten Teil von PDTrueType.readEncodingFromFont ().

jedoch, wenn Codierung PDFBox den Adobe Glyphlist verwendet, da die Schriftart nicht eine Codierung Eintrag hat. Wenn Sie mit PDFDebugger an den anderen Schriftarten suchen, zB R18, finden Sie „Encoding : WinAnsiEncoding ":

Was macht ihr offenbar ist creat e eine neue Seite mit nur Text. Eine andere Möglichkeit besteht darin, die Inhaltsströme zu analysieren und einfach alle Token zu entfernen, die etwas anderes als Text malen. Sehen Sie sich zunächst das RemoveAllText-Beispiel im Quellcode-Download an und laden Sie die PDF 32000-Spezifikation herunter. Sehen Sie sich den Teil "Operators Summary" an, und achten Sie darauf, was Sie löschen. Zum Beispiel wird "Do" sowohl zum Zeichnen von Bildern als auch zum Zeichnen von XObject-Formularen verwendet, bei denen es sich ebenfalls um Inhalts-Streams handelt.

Siehe hier: How can I remove all images/drawings from a PDF file and leave text only in Java?

Beide Lösungen sind falsch, die erste zieht nur alle Bilder unter den Füßen, ist der zweite ein guter Anfang, aber nicht kümmern uns um zu überprüfen, ob der Parameter ein Bild oder nicht.