使用Java PDFBox库编写俄语PDF

Question

我正在使用称为的Java库尝试将文本写入PDF的PDFBox。它适用于英文文本，但是当我试图在PDF中写入俄文文本时，这些字母显得很奇怪。看来问题出在使用的字体上，但我不太确定，所以我希望有人能指导我完成这个任务。下面是重要的代码行：

PDTrueTypeFont font = PDTrueTypeFont.loadTTF(pdfFile, new File("fonts/VREMACCI.TTF")); // Windows Russian font imported to write the Russian text. 
font.setEncoding(new WinAnsiEncoding()); // Define the Encoding used in writing. 
// Some code here to open the PDF & define a new page. 
contentStream.drawString("отделом компьютерной"); // Write the Russian text. 

的WinAnsiEncoding源代码是：Click here

---------------------编辑上18 2009年11月

经过一番调查，我现在确定它是一个编码的问题，这可以通过使用一种称为乐于助人的PDFBox的类DictionaryEncoding定义自己的编码来解决。

我不知道如何使用它，但这里是我试过至今：

COSDictionary cosDic = new COSDictionary(); 
cosDic.setString(COSName.getPDFName("Ercyrillic"), "0420 "); // Russian letter. 
font.setEncoding(new DictionaryEncoding(cosDic)); 

这是不行的，因为它似乎我正在填充字典以错误的方式，当我用这个写一个PDF页面，它显示为空白。

的DictionaryEncoding源代码为：Click here

Answer 1

也许俄罗斯编码类需要写入，它应该看起来像一个WinAnsiEncoding，我想。
现在，我不知道该放什么东西！或者，如果这不是你已经做的，或许你应该用UTF-8编码你的源文件，并使用默认编码。
我看到了一些与从现有PDF文件中提取俄文文本相关的消息（当然使用PDFBox），但我不知道输出是否相关。
您也可以写入PDFBox邮件列表。

Answer 2

测试这是否是一个编码问题应该很容易做（只需切换到UTF16编码）。

我假设您已经尝试过使用编辑器或VREMACCI字体，并确认它显示您期望的方式？

您可能想尝试在iText中做同样的事情，只是为了感受问题是否与PdfBox库本身有关......如果您的主要目标是生成PDF文件，iText可能是更好的解决方案无论如何。

编辑 - 长回答评论：

OK - 上编码的问题比较遗憾的是来回...您的核心问题（你可能已经知道）是一个字节的编码被写入内容流与用于查找字形的编码不同。现在我将尝试实际上有帮助：

我看了一下PdfBox中的字典编码类，它看起来相当不直观......问题中的'字典'是一个PDF字典。所以你基本上需要做的是创建一个PDF字典对象（我认为PdfBox称这是一种COSObject类型），然后向它添加条目。

字体的编码在PDF中定义为字典（参见上述规范的第266页）。该字典包含一个基本编码名称，以及一个可选的差异数组。从技术上讲，差异数组不应该与真正的字体一起使用（尽管我曾经在某些情况下使用它 - 不要使用它）。

然后，您将为编码指定cmap的条目。这个cmap将是你的字体的编码。

我在这里的建议是采取现有的PDF，做你想做的，然后得到字体的字典结构转储，所以你可以看到它的样子。

这绝对不是心灵的隐隐。我可以提供一些帮助 - 如果你需要字典转储，请给我一个带有示例PDF的超链接，然后通过我在iText开发中使用的一些算法运行它（我是iText文本提取子的维护者） -系统）。

编辑 - 09年11月17日

OK - 下面是来自russian.pdf文件字典转储（子字典列出缩进，和他们的顺序在包含字典出现）：

(/CropBox=[0, 0, 595, 842], /Parent=Dictionary of type: /Pages, /Type=/Page, /Contents=[209 0 R, 210 0 R, 211 0 R, 214 0 R, 215 0 R, 216 0 R, 222 0 R, 223 0 R], /Resources=Dictionary, /MediaBox=[0, 0, 595, 842], /StructParents=0, /Rotate=0) 
    Subdictionary /Parent = (/Type=/Pages, /Count=6, /Kids=[195 0 R, 1 0 R, 3 0 R, 5 0 R, 7 0 R, 9 0 R]) 
    Subdictionary /Resources = (/ExtGState=Dictionary, /ProcSet=[/PDF, /Text], /ColorSpace=Dictionary, /Font=Dictionary, /Properties=Dictionary) 
     Subdictionary /ExtGState = (/GS0=Dictionary of type: /ExtGState) 
      Subdictionary /GS0 = (/OPM=1, /op=false, /Type=/ExtGState, /SA=false, /OP=false, /SM=0.02) 
     Subdictionary /ColorSpace = (/CS0=[/ICCBased, 228 0 R]) 
     Subdictionary /Font = (/C2_1=Dictionary of type: /Font, /C2_2=Dictionary of type: /Font, /C2_3=Dictionary of type: /Font, /C2_4=Dictionary of type: /Font, /TT2=Dictionary of type: /Font, /TT1=Dictionary of type: /Font, /TT0=Dictionary of type: /Font, /C2_0=Dictionary of type: /Font, /TT3=Dictionary of type: /Font) 
      Subdictionary /C2_1 = (/DescendantFonts=[243 0 R], /BaseFont=/LDMIEC+TimesNewRomanPS-BoldMT, /Type=/Font, /Subtype=/Type0, /Encoding=/Identity-H, /ToUnicode=Stream) 
      Subdictionary /C2_2 = (/DescendantFonts=[233 0 R], /BaseFont=/LDMIBO+TimesNewRomanPSMT, /Type=/Font, /Subtype=/Type0, /Encoding=/Identity-H, /ToUnicode=Stream) 
      Subdictionary /C2_3 = (/DescendantFonts=[224 0 R], /BaseFont=/LDMIHD+TimesNewRomanPS-ItalicMT, /Type=/Font, /Subtype=/Type0, /Encoding=/Identity-H, /ToUnicode=Stream) 
      Subdictionary /C2_4 = (/DescendantFonts=[229 0 R], /BaseFont=/LDMIDA+Tahoma, /Type=/Font, /Subtype=/Type0, /Encoding=/Identity-H, /ToUnicode=Stream) 
      Subdictionary /TT2 = (/LastChar=58, /BaseFont=/LDMIFC+TimesNewRomanPS-BoldMT, /Type=/Font, /Subtype=/TrueType, /Encoding=/WinAnsiEncoding, /Widths=[250, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 250, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 333], /FontDescriptor=Dictionary of type: /FontDescriptor, /FirstChar=32) 
       Subdictionary /FontDescriptor = (/Type=/FontDescriptor, /StemV=136, /Descent=-216, /FontWeight=700, /FontBBox=[-558, -307, 2000, 1026], /CapHeight=656, /FontFile2=Stream, /FontStretch=/Normal, /Flags=34, /XHeight=0, /FontFamily=Times New Roman, /FontName=/LDMIFC+TimesNewRomanPS-BoldMT, /Ascent=891, /ItalicAngle=0) 
      Subdictionary /TT1 = (/LastChar=187, /BaseFont=/LDMICP+TimesNewRomanPSMT, /Type=/Font, /Subtype=/TrueType, /Encoding=/WinAnsiEncoding, /Widths=[250, 0, 0, 0, 0, 833, 778, 0, 333, 333, 0, 0, 250, 333, 250, 278, 500, 500, 500, 500, 500, 500, 500, 500, 500, 500, 278, 278, 0, 564, 0, 444, 0, 722, 667, 667, 722, 611, 556, 0, 722, 333, 389, 0, 611, 889, 722, 722, 556, 0, 667, 556, 611, 0, 722, 944, 0, 722, 0, 333, 0, 333, 0, 500, 0, 444, 500, 444, 500, 444, 333, 500, 500, 278, 0, 500, 278, 778, 500, 500, 500, 0, 333, 389, 278, 500, 500, 722, 0, 500, 444, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 500, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 500, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 500], /FontDescriptor=Dictionary of type: /FontDescriptor, /FirstChar=32) 
       Subdictionary /FontDescriptor = (/Type=/FontDescriptor, /StemV=82, /Descent=-216, /FontWeight=400, /FontBBox=[-568, -307, 2000, 1007], /CapHeight=656, /FontFile2=Stream, /FontStretch=/Normal, /Flags=34, /XHeight=0, /FontFamily=Times New Roman, /FontName=/LDMICP+TimesNewRomanPSMT, /Ascent=891, /ItalicAngle=0) 
      Subdictionary /TT0 = (/LastChar=55, /BaseFont=/LDMIBN+TimesNewRomanPS-BoldItalicMT, /Type=/Font, /Subtype=/TrueType, /Encoding=/WinAnsiEncoding, /Widths=[250, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 250, 0, 500, 500, 500, 0, 0, 0, 0, 500], /FontDescriptor=Dictionary of type: /FontDescriptor, /FirstChar=32) 
       Subdictionary /FontDescriptor = (/Type=/FontDescriptor, /StemV=116.867004, /Descent=-216, /FontWeight=700, /FontBBox=[-547, -307, 1206, 1032], /CapHeight=656, /FontFile2=Stream, /FontStretch=/Normal, /Flags=98, /XHeight=468, /FontFamily=Times New Roman, /FontName=/LDMIBN+TimesNewRomanPS-BoldItalicMT, /Ascent=891, /ItalicAngle=-15) 
      Subdictionary /C2_0 = (/DescendantFonts=[238 0 R], /BaseFont=/LDMHPN+TimesNewRomanPS-BoldItalicMT, /Type=/Font, /Subtype=/Type0, /Encoding=/Identity-H, /ToUnicode=Stream) 
      Subdictionary /TT3 = (/LastChar=169, /BaseFont=/LDMIEB+Tahoma, /Type=/Font, /Subtype=/TrueType, /Encoding=/WinAnsiEncoding, /Widths=[313, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 546, 0, 546, 0, 0, 546, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 929], /FontDescriptor=Dictionary of type: /FontDescriptor, /FirstChar=32) 
       Subdictionary /FontDescriptor = (/Type=/FontDescriptor, /StemV=92, /Descent=-206, /FontWeight=400, /FontBBox=[-600, -208, 1338, 1034], /CapHeight=734, /FontFile2=Stream, /FontStretch=/Normal, /Flags=32, /XHeight=546, /FontFamily=Tahoma, /FontName=/LDMIEB+Tahoma, /Ascent=1000, /ItalicAngle=0) 
     Subdictionary /Properties = (/MC0=Dictionary of type: /OCMD) 
      Subdictionary /MC0 = (/Type=/OCMD, /OCGs=Dictionary of type: /OCG) 
       Subdictionary /OCGs = (/Usage=Dictionary, /Type=/OCG, /Name=HeaderFooter) 
        Subdictionary /Usage = (/CreatorInfo=Dictionary, /PageElement=Dictionary) 
         Subdictionary /CreatorInfo = (/Creator=Acrobat PDFMaker 6.0 äëÿ Word) 
         Subdictionary /PageElement = (/SubType=/HF) 

这里有很多移动部件。您可能需要将相关字体中仅包含3个或4个字符的测试文档放在一起...此处使用了很多1类字体（除TT字体外），因此很难说明你的特定问题涉及什么。

（你确定你不想用iText试试这个吗？;-)我不是说它可以工作，只是它可能值得一试）。

短语leftTitle =新短语（“САНКТ-ПЕТЕРБУРГ：

为了参考，使用com.lowagie.text.pdf.parser.PdfContentReaderTool类

Answer 3

刚刚尝试这一个得到上述字典转储“，FontFactory.getFont（”Tahoma“，”Cp1251“，true，25））;

这将至少工作与最新版本（5.0.1）的iText

Answer 4

长的故事是这样的 - 为了做unicode的输出PDF从TrueType字体，输出必须有一吨的细节，看似多余的信息。它所涉及的是 - 在TrueType字体中，字形存储为glyph id。这些glyph id与特定的unicode字符相关联（和IIRC，unicode glyph在内部可能指代若干代码点 - 如eacute;指的是e和一个尖锐的重音 - 我的记忆是模糊的）。除了说一个字符串中的UTF16BE值到TrueType字体中的glyph id以及从UTF16BE值到Unicode的映射（即使是身份）之外，PDF并没有真正支持Unicode。

• 亚型类型0的字体字典与
  • 一个DescendantFonts阵列具有低于
  • 映射一个ToUnicode条目中描述的条目utf16be应按值UNICODE
  • 的编码设定为Identity-H

对我自己的工具的单元测试之一的输出如下所示：

13 0 obj 
<< 
    /BaseFont /DejaVuSansCondensed 
    /DescendantFonts [ 4 0 R ] 
    /ToUnicode 14 0 R 
    /Type /Font 
    /Subtype /Type0 
    /Encoding /Identity-H 
>> endobj 

14 0 obj 
<< /Length 346 >> stream 
/CIDInit /ProcSet findresource begin 12 dict begin begincmap /CIDSystemInfo << 
/Registry (Adobe) /Ordering (UCS) /Supplement 0 >> def /CMapName /Adobe-Identity-UCS 
def /CMapType 2 def 1 begincodespacerange <0000> <FFFF> endcodespacerange 1 
beginbfrange <0000> <FFFF> <0000> endbfrange endcmap CMapName currentdict /CMap 
defineresource pop end end 

endstream％请注意格式是错误的流

• 亚型CIDFontTYpe2的字体字典，
  • 一个CIDSsytemInfo
  • 一个FontDescriptor
  • DW和W
  • 从字符ID到字形ID映射的CIDToGIDMap ID

下面是相同的测试之一 - 这是DescendantFonts数组中的对象：

4 0 obj 
<< 
    /Subtype /CIDFontType2 
    /Type /Font 
    /BaseFont /DejaVuSansCondensed 
    /CIDSystemInfo 8 0 R 
    /FontDescriptor 9 0 R 
    /DW 1000 
    /W 10 0 R 
    /CIDToGIDMap 11 0 R 
>> 

8 0 obj 
<< 
    /Registry (Adobe) 
    /Ordering (UCS) 
    /Supplement 0 
>> 
endobj 

我为什么要告诉你呢？它与PDFBox有什么关系？正因如此：坦率地说，PDF中的Unicode输出是一个令人royal目结舌的王室痛苦。 Acrobat是在Unicode之前开发的，从一开始就让CJK编码没有Unicode是很痛苦的（我知道 - 那时我使用Acrobat）。后来的Unicode支持被添加了，但它真的感觉就像是被踢了一边。人们会希望你只会说/编码/ Unicode，并且以刺和y-dieresis字符开头的字符串，然后离开你。没有这样的运气。如果你没有把每一个细节都放进去（实际上是Acrobat，嵌入一个PostScript程序来转换成Unicode？WTH？），你​​会在Acrobat中看到一个空白页面。我发誓，我没有这样做。在这一点上，我为一家单独的公司编写PDF生成工具（.NET现在，所以它不会帮助你），并且我将它设计为一​​个隐藏所有废话的设计目标。所有的文本都是unicode - 如果你只使用那些与WinAnsi相同的字符代码，那就是你所得到的。使用其他任何东西，你会得到所有其他的东西。如果PDFBox能为你工作，我会感到惊讶 - 这是一个严重的麻烦。