第四章 文字处理：PDF开发的核心技术

一、文字编码与字体嵌入机制

1.1 编码体系的选择与兼容性

PDF文件中的文字存储依赖于字符编码系统，常见的编码方式包括：

• WinAnsiEncoding：基于Windows ANSI标准，适用于拉丁语系字符（如英语、法语）。
• MacRomanEncoding：苹果系统早期使用的编码，现已逐渐被Unicode取代。
• Unicode编码（UTF-8/UTF-16）：支持全球语言字符，是跨平台开发的推荐方案。

实践建议：
在生成PDF时，优先使用Unicode编码以确保多语言兼容性。例如，使用iText库时可通过以下代码设置编码：

Font font = FontFactory.getFont("ArialUnicodeMS", BaseFont.IDENTITY_H, BaseFont.EMBEDDED, 12);

1.2 字体嵌入的必要性

未嵌入字体的PDF在不同设备上可能显示乱码。字体嵌入分为两种模式：

• 完全嵌入：将字体文件全部嵌入PDF，体积较大但兼容性完美。
• 子集嵌入：仅嵌入文档中实际使用的字符，平衡体积与兼容性。

关键操作：
通过PDF库（如Apache PDFBox）显式指定字体嵌入：

PDDocument document = new PDDocument();
PDPage page = new PDPage();
document.addPage(page);
try (PDPageContentStream contentStream = new PDPageContentStream(document, page)) {
    PDFont font = PDType0Font.load(document, new File("path/to/font.ttf"));
    contentStream.beginText();
    contentStream.setFont(font, 12);
    contentStream.newLineAtOffset(100, 700);
    contentStream.showText("多语言文本示例：中文、English、日本語");
    contentStream.endText();
}

二、文本定位与布局控制

2.1 坐标系与文本矩阵

PDF采用笛卡尔坐标系，原点（0,0）默认位于页面左下角。文本位置通过Text Matrix（文本矩阵）控制，包含平移、旋转和缩放参数。

示例代码（使用iText 7）：

PdfDocument pdfDoc = new PdfDocument(new PdfWriter("output.pdf"));
Document document = new Document(pdfDoc);
Paragraph paragraph = new Paragraph("旋转文本示例")
    .setFont(PdfFontFactory.createFont(StandardFonts.HELVETICA))
    .setFontSize(12)
    .setRotationAngle(30); // 旋转30度
document.add(paragraph);
document.close();

2.2 文本流（Text Stream）操作

PDF通过文本流指令控制文本绘制，核心指令包括：

• BT：开始文本对象。
• ET：结束文本对象。
• Td：移动到指定坐标。
• Tj：显示文本字符串。

手动生成PDF文本流示例：

// 使用低级API直接写入内容流
PDPageContentStream contentStream = new PDPageContentStream(document, page, AppendMode.APPEND, true);
contentStream.beginText();
contentStream.setFont(font, 12);
contentStream.newLineAtOffset(100, 700);
contentStream.showText("Hello, PDF!");
contentStream.endText();

三、文本提取与解析技术

3.1 基于坐标的文本提取

PDF文本可能因布局复杂导致提取困难。解决方案包括：

• 按页遍历：逐页解析文本对象。
• 坐标过滤：根据文本位置筛选内容。

Apache PDFBox示例：

PDDocument document = PDDocument.load(new File("input.pdf"));
for (PDPage page : document.getPages()) {
    PDFTextStripperByArea stripper = new PDFTextStripperByArea();
    stripper.setSortByPosition(true);
    Rectangle rect = new Rectangle(100, 500, 200, 50); // 定义提取区域
    stripper.addRegion("region1", rect);
    stripper.extractRegions(page);
    String text = stripper.getTextForRegion("region1");
    System.out.println(text);
}

3.2 结构化文本解析

对于表格或固定格式文本，需结合正则表达式或OCR技术：

• 正则匹配：提取日期、金额等模式化文本。
• OCR补全：处理扫描件中的不可选文本。

Python示例（使用PyMuPDF）：

import fitz  # PyMuPDF
doc = fitz.open("input.pdf")
page = doc[0]
text = page.get_text("blocks")  # 按块提取文本
for block in text:
    if "Invoice#" in block[1]:  # 匹配发票号
        print("Found invoice:", block[1].split("\n")[0])

四、性能优化与常见问题

4.1 大文本处理优化

• 分块渲染：将长文本拆分为多个Text对象。
• 异步加载：对超大型PDF采用流式处理。

4.2 常见问题解决方案

• 乱码问题：检查字体是否嵌入且编码正确。
• 文本重叠：调整文本矩阵或使用Tf指令设置字体大小。
• 搜索失效：确保文本未被图像化或加密。

五、高级应用场景

5.1 动态文本生成

结合模板引擎（如Thymeleaf）生成PDF变量：

// 使用iText 7填充模板
PdfDocument pdfDoc = new PdfDocument(new PdfReader("template.pdf"), new PdfWriter("output.pdf"));
PdfAcroForm form = PdfAcroForm.getAcroForm(pdfDoc, true);
form.getField("customerName").setValue("张三");

5.2 多语言混合排版

通过字体子集化实现：

// 使用PDFBox嵌入多语言字体
PDFont font = PDType0Font.load(document, new File("NotoSansCJKsc-Regular.otf"));
contentStream.setFont(font, 12);
contentStream.showText("中文与English混合排版");

结语

PDF文字处理是开发中的核心模块，涉及编码、字体、布局、提取等多维度技术。通过合理选择工具链（如iText、PDFBox）和优化策略，可显著提升文档的兼容性与处理效率。建议开发者结合实际场景测试不同方案，并关注PDF标准（如PDF/A）的合规性要求。