使用 PDFBox 获取文本颜色

Question

我刚刚开始使用 PDFBox，提取文本等。我感兴趣的一件事是我正在提取的文本本身的颜色。但是我似乎找不到任何获取该信息的方法。

是否有可能使用 PDFBox 来获取文档的颜色信息？如果可以，我将如何做？

非常感谢。

Answer 1

所有颜色信息应存储在 PDGraphicsState 类中，并且使用的颜色（描边/非描边等）取决于使用的文本渲染模式（通过 pdfbox 邮件列表）。

这是我尝试过的一个小示例：

创建仅一行的 pdf（用 RGB=[146,208,80] 编写的“示例”）后，以下程序将输出：

设备RGB
146.115
208.08
80.07

代码如下：

PDDocument doc = null;
try {
    doc = PDDocument.load("C:/Path/To/Pdf/Sample.pdf");
    PDFStreamEngine engine = new PDFStreamEngine(ResourceLoader.loadProperties("org/apache/pdfbox/resources/PageDrawer.properties"));
    PDPage page = (PDPage)doc.getDocumentCatalog().getAllPages().get(0);
    engine.processStream(page, page.findResources(), page.getContents().getStream());
    PDGraphicsState graphicState = engine.getGraphicsState();
    System.out.println(graphicState.getStrokingColor().getColorSpace().getName());
    float colorSpaceValues[] = graphicState.getStrokingColor().getColorSpaceValue();
    for (float c : colorSpaceValues) {
        System.out.println(c * 255);
    }
}
finally {
    if (doc != null) {
        doc.close();
    }

查看 PageDrawer.properties 以了解 PDF 运算符如何映射到 Java 类。

据我了解，当 PDFStreamEngine 处理页面流时，它会根据当前正在处理的运算符设置各种变量状态。因此，当它遇到绿色文本时，它将更改 PDGraphicsState，因为它将遇到适当的运算符。因此，对于 CS，它调用由映射 CS=org.apache.pdfbox.util.operator.SetStrokingColorSpace 定义的 org.apache.pdfbox.util.operator.SetStrokingColorSpace 在 .properties 文件中。 RG 映射到 org.apache.pdfbox.util.operator.SetStrokingRGBColor 等等。

在本例中，PDGraphicsState 没有更改，因为文档只有文本，并且其中的文本只有一种样式。对于更高级的功能，您需要扩展 PDFStreamEngine （就像 PageDrawer、PDFTextStripper 和其他类所做的那样）以在颜色变化时执行某些操作。您还可以在自己的 .properties 文件中编写自己的映射。