iText7でpdfを解析すると、一定の間隔（フリーセットフォント）で移動します

Question

私はiTextで作成したpdfを解析しようとしています。ヘルベチカ、サイズ：20

"Фамилия" - （ロシア語から "姓"） - フォント： - - （ロシア語から "名前"）フォント

• "Имя"：文書で私は2つの段落を持っていますFreeset（私はhereそれをダウンロードした）、サイズ：10

私は私が代わりに「Фамилия」の「Имя」適切にエンコードし、「Ôàìèëèÿ」を取得し解析する終えます。 「Фамилия」のUnicode文字ですが、848文字（10ベース）が残されました。 （例えば、UTF-8の0x0424の代わりに "Ф"（0x0424）の代わりに "Ô"（0x00d4）が得られ、その差は848（または16進数で350）です）

私はthisの例を使用します（ "Имя"、 "Фамилия"）

私はとして英語以外の文字を格納することがわかっています。私は手で入力データからpdfを作成していますので、手動で別のUnicode記号として再入力することはできません（その場で行う方法を知っている場合は、あなたのアプローチを提供してください）。

なぜこのチャーの動きアクターが起こり、それを避ける方法は歓迎されます。前もって感謝します。

Hereは私が扱ったファイルです。

編集

私はプロAcrobatで開いたファイルを試してみましたが、すべてがそこに罰金です。 Acrobatはまた、私がpdfに書いた3つのフォントがすべて文書に残っていることを示しています。ここで

は私が処理していますPDFファイルを作成するために使用するコードです：

private static void create() throws IOException { 
    PdfDocument pdf = new PdfDocument(new PdfReader(srcPdf), new PdfWriter(targetPdf)); 
    PdfCanvas pdfCanvas = new PdfCanvas(pdf.getFirstPage()); 
    PdfFont freeset = getPdfFont(freesetPath); 
    PdfFont helvetica = getPdfFont(helveticaPath); 
    PdfFont circe = getPdfFont(circePath); 
    pdfCanvas.beginText() 
      .setFontAndSize(helvetica, 15) 
      .setColor(Color.RED, true) 
      .moveText(50, 300) 
      .showText("Имя") 
      .setFontAndSize(freeset, 10) 
      .setColor(Color.GREEN, true) 
      .moveText(0, -30) 
      .showText("Фамилия") 
      .setFontAndSize(circe, 20) 
      .setColor(Color.BLUE, true) 
      .moveText(0, -30) 
      .showText("Должность") 
      .endText(); 

    pdf.close(); 
} 

private static PdfFont getPdfFont(String path) throws IOException { 
    InputStream fontInputStream = new FileInputStream(path); 
    ByteArrayOutputStream baos = new ByteArrayOutputStream(); 
    byte[] buffer = new byte[2048]; 
    int a; 
    while((a = fontInputStream.read(buffer, 0, buffer.length)) != -1) { 
     baos.write(buffer, 0, a); 
    } 
    baos.flush(); 
    return PdfFontFactory.createFont(baos.toByteArray(), 
      PdfEncodings.IDENTITY_H, true); 
} 

Answer 1

iTextの7は、問題のフォントを埋め込むことで、問題を持っているように見えます。私はフォントやiTextのバグかどうかはわかりません。

---

"FreeSet" フォントは確かに間違ってのToUnicodeマップ

00d4に "Фамилия" に使用するグリフをマップ

... 
6 beginbfrange 
<009e> <009e> <00d4> <00aa> <00aa> <00e0> <00b2> <00b2> <00e8> <00b5> <00b5> <00eb> <00b6> <00b6> <00ec> <00c9> <00c9> <00ff> endbfrange 
... 

、00E0、00E8、とOPのサンプル文書に埋め込まれています00eb、00ec、および00ff。

これは、iTextとAdobe Readerの両方が予期しないテキストを抽出する理由を説明しています。

問題は次のように再現することができます。

PdfFont arial = PdfFontFactory.createFont(BYTES_OF_ARIAL_FONT, PdfEncodings.IDENTITY_H, true); 
PdfFont freeSet = PdfFontFactory.createFont(BYTES_OF_FREESET_FONT, PdfEncodings.IDENTITY_H, true); 

try ( OutputStream result = new FileOutputStream("cyrillicTextFreeSet.pdf"); 
     PdfWriter writer = new PdfWriter(result); 
     PdfDocument pdfDocument = new PdfDocument(writer); 
     Document doc = new Document(pdfDocument) ) { 
    doc.add(new Paragraph("Фамилия").setFont(arial)); 
    doc.add(new Paragraph("Фамилия").setFont(freeSet)); 
} 

（CreateCyrillicTextテストtestCreateTextWithFreeSet）

結果はOKになります：/

を抽出&貼り付けをコピーします、でも：

組み込みArialサブセットには適切なToUnicodeマップがあり、Arialのテキストは "Фамилия"として抽出されます。

埋め込みFreeSetサブセットに不正なToUnicodeマップがあり、FreeSetのテキストが "Ôàìèëèÿ"として抽出されます。

（現在のiTextの7.1.1-SNAPSHOTでテスト済み）

どうやらiTextの7は、必要なサブセットを選択し、コンテンツから正しいグリフを参照するために十分FreeSetフォントプログラムを理解しないが、それは問題を抱えています適切なものを構築するToUnicode地図。しかし、これは一般的な問題ではありませんが、Arialとの並行テストが示されています。