IText7提取pdf页面内容文本，并兼容中文字体，修复提取中文乱码问题

#IText7提取pdf页面内容文本，并兼容中文字体，修复提取中文乱码问题| 来源: 网络整理| 查看: 265

首先正常情况下的文本提取很简单

maven依赖：

com.itextpdf itext7-core 7.2.3

主要代码块：

public static void main(String args[]){ PdfReader pr = new PdfReader(input); PdfDocument pd = new PdfDocument(pr); LocationTextExtractionStrategy strategy = new LocationTextExtractionStrategy(); PdfCanvasProcessor parser = new PdfCanvasProcessor(strategy); parser.processPageContent(pd.getPage(1)); String text = strategy.getResultantText(); System.out.println(text); }

如果使用上述代码直接读取的文本，包含了新宋体等字体样式的话，那么文本内容就会乱码，通过查看 PdfCanvasProcessor 类的源码，发现构造有一个重载的构造方法，可以自定义传入IContentOperator，再通过定位IContentOperator对应的additionalContentOperators参数的相关源码，可以发现有一个key为“Tf”，Value为SetTextFontOperator的在里边。

通过debug可以发现，字体是通过这个一对来处理的，那么我们就可以仿照SetTextFontOperator的内容，加上我们自定义字体的逻辑判断，然后通过传入additionalContentOperators参数去覆盖“Tf”对应的SetTextFontOperator来实现；

具体实现如下：

以window的宋体为例

public static void main(String args[]){ PdfReader pr = new PdfReader(input); PdfDocument pd = new PdfDocument(pr); LocationTextExtractionStrategy strategy = new LocationTextExtractionStrategy(); Map operatorMap = new HashMap(); operatorMap.put("Tf", new LocalTextFontOperator()); PdfCanvasProcessor parser = new PdfCanvasProcessor(strategy, operatorMap); parser.processPageContent(pd.getPage(1)); String text = strategy.getResultantText(); System.out.println(text); } private static class LocalTextFontOperator implements IContentOperator{ private LocalTextFontOperator (){} public void invoke(PdfCanvasProcessor processor, PdfLiteral operator, List operands){ PdfName fontResourceName = (PdfName) operands.get(0); float size = ((PdfNumber) operands.get(1)).floatValue(); PdfDictionary fontsDictionary = processor.getResources().getResource(PdfName.Font); PdfDictionary fontDict = fontsDictionary.getAsDictionary(fontResourceName); PdfFont font = processor.getFont(fontDict); if(font.getFontProgram().toString().contains("SimSun")){ font = PdfFontFactory.createFont("C:\\Windows\\Fonts\\simsun.ttc,0", PdfEncodings.IDENTITY_H); } processor.getGraphicsState().setFont(font); processor.getGraphicsState().setFontSize(size); } }

【本文地址】

公司简介

联系我们