使用pdfbox在PDF/A-1a中查找標記的內容

我有我認爲是由apache fop生成的PDF/A-1a文件，並在pdfbox中使用OverlayPDF進行覆蓋信頭。印前檢查將文件識別爲OK（但顯然只是PDF/A-1b），Acroreader在文檔屬性中表示它爲「PDF/A」模式和「標記：是」。我想看看這是怎麼回事，以便我可以調整fop進行一些小的改進。使用pdfbox在PDF/A-1a中查找標記的內容

我的問題是，我在哪裏可以看到帶標籤的內容（即，PDF中的內容是字符輸出的字符串的文本表示），最好不用自己編碼，例如，使用pdfbox中的調試器/ PDFReader？我有點迷路了 - 是否有另一種方式獲得文檔結構的文本輸出，例如到一個XML文件中使用編輯器來搜索它？ - TIA！

編輯

的信頭（一個或多個）本身是原本PostScript和使用ghostscript的，然後用

java -jar pdfbox-app-2.0.0-RC3.jar OverlayPDF letter_plain.pdf \ 
    followingpages_letterhead.pdf -first firstpage_letterhead.pdf \ 
    letter_with_head.pdf

重疊的letter_plain.pdf使用具有FOP生成轉換爲PDF/A-1b的

fop -pdfprofile 'PDF/A-1a' -v -d -c my_fop_config.cfg -xml letter.xml \ 
    -xsl letter_to_fo.xsl -pdf letter_plain.pdf

使用的版本是pdfbox 2.0和fop 1.1。

如果letter_with_head.pdf不再是PDF/A-1a，那麼問題將應用於letter_plain.pdf，它應該是1a的fop調用，必須選擇不同的解決方案（如svg）然後拿到信頭。

編輯2

例PDF可以在這裏找到：https://www.magentacloud.de/share/j9qk7jfzyv - 沒有需要單獨followingpages_letterhead.pdf作爲樣品只有一個頁面。

編輯3

我有懷疑，文字埋藏着低於Root/StructTreeRoot/ParentTree/Nums/[1]/[3]/P/P/P/P/P/P（假設P公司在某種程度上映射fo:block的），但不能得逞顯示從PDF文本。

來源

2016-06-22 Stefan Hegny

是否可以共享有問題的文檔？ –

樣本pdfs在這裏https://www.magentacloud.de/share/j9qk7jfzyv –

首先，Adobe Acrobat Preflight聲稱在letter_plain.pdf中已經有許多PDF/A-1a有效性問題。 – mkl

手頭PDF中的結構樹條目映射到頁面內容流中標記的內容。作爲一個例子，

Root/StructTreeRoot/K/[0]/K/[0]/K/[1]/K/[0]/K/[0]/K/[0]/K/[0]

地圖入門到頁面的這部分內容流

/Span << /MCID 0 >> BDC 
    BT 
    /F15 11 Tf 
    1 0 0 -1 0 9.163 Tm 
    [ (Bes) 15 (tell-Nr) 48 (. 1) 34 (23) 6 (456) 29 (7) 40 (8) ] TJ 
    ET 
EMC

可以看出，沒有額外的定義，所以沒有容易比解析TJ其他顯示文本這個例子序列中的操作符。所以標籤用於定義指向不同構件的文檔結構。

此外還有一些關於輔助功能支持的信息。但是這僅限於在結構樹中指定Lang屬性。

來源

2016-06-26 20:39:42

非常感謝@Maruan，這解釋了很多。如果那裏有其他可訪問性的文本，它會被放置在那裏嗎？就像那個系列的「Bestell-Nr。12345678」一樣？我應該諮詢fop'pers關於爲什麼沒有alt文本，但它應該（A-1a）並且可以（fop獲得原始文本）在那裏？ –

Mhmm - 據我所知，獲得'普通'文本更容易，但它不是PDF/A-1a提供該信息AFAIK的必要條件。 –

使用pdfbox在PDF/A-1a中查找標記的內容

回答

相關問題