首页 文章

使用iText“重新分页”PDF

提问于
浏览 次
0

Disclaimer:

我正在使用iText 5.我知道这通常是不赞成的（与使用iText 7相比），但我正在处理使用iText 5的大量遗留代码，升级不受我的控制 .

Requirements:

  • A "simple" PDF / A作为输入接收（仅文本，这些是从RTF生成的），以及与所需的第一页长度（以英寸为单位）对应的浮点值 .

  • 必须输出与输入PDF相同的PDF / A，除了它的分页如下：第一页长度=输入值;每个后续（不是第一个或最后一个）页面将填充标准页面长度;最后一页将被截断在距离页面底部最近的内容之下的恒定点数 . 请注意，输入和输出宽度将是相同且恒定的 .

Progress / Approach:

我扩展了 SimpleTextExtractionStrategy 以生成包含字体信息（大小和族，粗体或斜体等）的XML以及位置信息（相对于输入的第一页左上角的原点的绝对坐标系统PDF）对于从输入PDF中提取的每个"span"文本 .

然后，我逐页生成一个新的PDF（根据上面列出的要求，每个页面都是所需的长度），根据每个新页面的边界使用LINQ过滤提取的XML信息，并在适当的位置添加适当格式的文本使用 ColumnText.ShowTextAligned(...) .

Problem:

上面概述的方法很好 . 它生成具有所需页面结构的PDF，但某些信息在翻译时丢失，即彩色文本和带下划线的文本 . 虽然不应在这些PDF中看到彩色文本，但绝对必须检测带下划线的文本 .

这组要求还应包括带表格的PDF . 我最初计划实现一个不同的模块，该模块遵循表格PDF的相同界面，因为它们是从RTF生成的PDF中单独生成和使用的，而且iText内置了相对强大的表格功能 .

上面提到的两个问题，再加上我所描述的方法源于重用现有代码的尝试，这让我相信完全不同的方法可能是必要的，或者至少要好得多 . 在我看来，应该有一种方法来捕获内容字节信息并根据需要剪辑它以“重新分页”输入PDF，只担心移动沿页面边界的内容 .

基本上，我正在寻找（基于iText）推荐更好的方法 . 伪代码类型的答案或只是对可能有用的类/接口的建议是可接受的 . 虽然将文本和表格放在一起会很好，但任何与一个或另一个相关的建议也会受到赞赏 . 我已经仔细阅读了iText网站上的大部分可用文档和其他SO问题，但还没有找到我正在寻找的内容 .

请注意，此问题中不包含任何代码，因为我正在寻找与我尝试过的完全不同的高级方法 .

Edit:

我以前没有注意到它，但是我重用字体的方式（类似于this）导致了一些意想不到的（但是记录在案）这样的行为 . 似乎我需要避免在文本级别提取重新分页的信息，因为很难确保输入和输出之间字体的连续性 .

pdf itext

1 回答

  • 0

    我刚才解决了这个问题，但我想我会发布我的解决方案 . 我_438197不是最有效的解决方案，但它适用于我的目的 . 请注意，这将按照包含 text only 的问题中所述重新分页PDF . 表PDF是单独处理的 .

    基本过程是这样的：

    • 使用自定义 TextExtractionStrategy 提取XML，其中包含有关输入PDF中所有文本的上升和下降行的信息，以及它最初显示在哪个页面上 .

    • 给定问题中描述的页面长度要求（第一页=输入值，后续=标准长度，最后一页=适合内容）和有关文本位置的XML信息，确定哪些内容适合输出PDF的每一页 . 创建一个 Map ，其中每个输入页面都需要被裁剪（顶部和底部，请注意每个输入页面可能被裁剪多次），以及在最终输出中需要裁剪页面的 Map "concatenated" .

    • 将输入PDF逐页复制到中间临时PDF（使用 PdfCopier ） . 如果输入页面必须多次裁剪（例如：前2英寸输入页面1 =页面1输出，接下来6英寸输入页面1 =页面2输出，最后0.5英寸输入页面1 =页面3输出顶部），确保复制适当的次数（每次作物1次） .

    • 适当地裁剪中间复制PDF的每个页面 . 这是通过修改 MediaBox 和/或 CropBox 来完成的 .

    • 将适当的裁剪页面连接到最终输出PDF的页面 . 我使用 PdfWriter 首先创建适当高度的新页面，然后使用 contentByte.AddTemplate(inputCroppedPage, 0, bottomOfLastAddedCroppedPage) 将每个适当的裁剪页面添加到输出PDF页面的字节内容中的适当位置 .

    对于那些设法阅读并理解所有这些内容的人，恭喜你 . 对于其他任何人，如果您感到困惑，请告诉我您的意见 . 上面描述的解决方案有点扭曲，难以用语言表达 . 虽然这里发布的代码太多了（而且我无权在GitHub或类似代码上共享代码），但我很乐意回答任何有助于其他人实现类似内容的问题 .

    步骤1中提到的 TextExtractionStrategy 受到this answer的启发 . 本质上，我使用 System.Xml.Linq 创建XML文档而不是连接字符串以形成HTML，我忽略了任何字体信息，只存储有关文本在页面中的位置的信息（您将'll see that this information is available in the linked answer, just isn'写入最终的HTML） .

    回复于

相关问题