使用PDFBox獲取文本顏色

Question

我剛開始使用PDFBox，提取文本等。我感興趣的一件事是我正在提取的文本本身的顏色。但是，我似乎無法找到獲取該信息的任何方式。

是否有可能使用PDFBox來獲取文檔的顏色信息，如果是的話，我該怎麼做呢？

非常感謝。

Answer 1

所有顏色信息應保存在類PDGraphicsState和使用的顏色（衝程/ nonstroking等）取決於所使用的文本渲染模式（通過PDFBOX郵件列表）。

這裏是一個小樣本我想：

創建PDF只用一條線（ 「樣品」 寫在RGB=[146,208,80]）後，下面的程序將輸出：

DeviceRGB 146.115 208.08 80.07

下面的代碼：

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以查看PDF運算符如何映射到Java類。

據我所知，由於PDFStreamEngine處理一個頁面流，它根據它正在處理的操作符設置各種變量狀態。所以當它觸及綠色文本時，它會改變PDGraphicsState，因爲它會遇到合適的操作符。因此，對於CS，它調用org.apache.pdfbox.util.operator.SetStrokingColorSpace，如.properties文件中的映射CS=org.apache.pdfbox.util.operator.SetStrokingColorSpace所定義。 RG映射到org.apache.pdfbox.util.operator.SetStrokingRGBColor等。

在這種情況下，PDGraphicsState並沒有改變，因爲文檔只有文本，文本只有一種樣式。對於更高級的內容，您需要擴展PDFStreamEngine（就像PageDrawer,PDFTextStripper和其他類所做的那樣），以便在顏色更改時執行某些操作。您也可以在自己的.properties文件中編寫自己的映射。