Estamos imprimir algunos archivos PDF desde una aplicación de escritorio Java, utilizando PDFBox, y los archivos PDF contienen demasiado espacio en blanco (que fija el generador de PDF no es por desgracia una opción).
El problema que tengo es determinar en que el contenido real de la página es, debido a que los cultivos / media / / arte / cajas ajuste de purga son inútiles. ¿Hay alguna forma fácil y eficiente para hacerlo, mejor / más rápido que la prestación de la página a una imagen y examinar qué píxeles se quedó blanco?
Como se ha mencionado en un comentario que
se puede suponer que no hay fondo u otros elementos que necesitan un tratamiento especial,
Voy a mostrar una solución básica sin tal tratamiento especial.
Un buscador básica cuadro delimitador
Para encontrar el cuadro de límite sin llegar a la representación de un mapa de bits y la inspección de los píxeles de mapa de bits, uno tiene que explorar todas las instrucciones de los flujos de contenido de la página y cualquier XObjects referenciados a partir de ahí. Uno determina los cuadros delimitadores de la materia utilizada por cada instrucción y, finalmente, los combina en una sola caja.
El buscador simple caja presenta aquí los combina con sólo devolver el cuadro delimitador de su unión.
Para la digitalización de las instrucciones de contenido arroyos PDFBox ofrece una serie de clases basado en el PDFStreamEngine. El simple caja buscador se deriva de la PDFGraphicsStreamEnginecual se extiende el PDFStreamEnginepor algún método relacionado con gráficos vectoriales.
public class BoundingBoxFinder extends PDFGraphicsStreamEngine {
public BoundingBoxFinder(PDPage page) {
super(page);
}
public Rectangle2D getBoundingBox() {
return rectangle;
}
//
// Text
//
@Override
protected void showGlyph(Matrix textRenderingMatrix, PDFont font, int code, String unicode, Vector displacement)
throws IOException {
super.showGlyph(textRenderingMatrix, font, code, unicode, displacement);
Shape shape = calculateGlyphBounds(textRenderingMatrix, font, code);
if (shape != null) {
Rectangle2D rect = shape.getBounds2D();
add(rect);
}
}
/**
* Copy of <code>org.apache.pdfbox.examples.util.DrawPrintTextLocations.calculateGlyphBounds(Matrix, PDFont, int)</code>.
*/
private Shape calculateGlyphBounds(Matrix textRenderingMatrix, PDFont font, int code) throws IOException
{
GeneralPath path = null;
AffineTransform at = textRenderingMatrix.createAffineTransform();
at.concatenate(font.getFontMatrix().createAffineTransform());
if (font instanceof PDType3Font)
{
// It is difficult to calculate the real individual glyph bounds for type 3 fonts
// because these are not vector fonts, the content stream could contain almost anything
// that is found in page content streams.
PDType3Font t3Font = (PDType3Font) font;
PDType3CharProc charProc = t3Font.getCharProc(code);
if (charProc != null)
{
BoundingBox fontBBox = t3Font.getBoundingBox();
PDRectangle glyphBBox = charProc.getGlyphBBox();
if (glyphBBox != null)
{
// PDFBOX-3850: glyph bbox could be larger than the font bbox
glyphBBox.setLowerLeftX(Math.max(fontBBox.getLowerLeftX(), glyphBBox.getLowerLeftX()));
glyphBBox.setLowerLeftY(Math.max(fontBBox.getLowerLeftY(), glyphBBox.getLowerLeftY()));
glyphBBox.setUpperRightX(Math.min(fontBBox.getUpperRightX(), glyphBBox.getUpperRightX()));
glyphBBox.setUpperRightY(Math.min(fontBBox.getUpperRightY(), glyphBBox.getUpperRightY()));
path = glyphBBox.toGeneralPath();
}
}
}
else if (font instanceof PDVectorFont)
{
PDVectorFont vectorFont = (PDVectorFont) font;
path = vectorFont.getPath(code);
if (font instanceof PDTrueTypeFont)
{
PDTrueTypeFont ttFont = (PDTrueTypeFont) font;
int unitsPerEm = ttFont.getTrueTypeFont().getHeader().getUnitsPerEm();
at.scale(1000d / unitsPerEm, 1000d / unitsPerEm);
}
if (font instanceof PDType0Font)
{
PDType0Font t0font = (PDType0Font) font;
if (t0font.getDescendantFont() instanceof PDCIDFontType2)
{
int unitsPerEm = ((PDCIDFontType2) t0font.getDescendantFont()).getTrueTypeFont().getHeader().getUnitsPerEm();
at.scale(1000d / unitsPerEm, 1000d / unitsPerEm);
}
}
}
else if (font instanceof PDSimpleFont)
{
PDSimpleFont simpleFont = (PDSimpleFont) font;
// these two lines do not always work, e.g. for the TT fonts in file 032431.pdf
// which is why PDVectorFont is tried first.
String name = simpleFont.getEncoding().getName(code);
path = simpleFont.getPath(name);
}
else
{
// shouldn't happen, please open issue in JIRA
System.out.println("Unknown font class: " + font.getClass());
}
if (path == null)
{
return null;
}
return at.createTransformedShape(path.getBounds2D());
}
//
// Bitmaps
//
@Override
public void drawImage(PDImage pdImage) throws IOException {
Matrix ctm = getGraphicsState().getCurrentTransformationMatrix();
for (int x = 0; x < 2; x++) {
for (int y = 0; y < 2; y++) {
add(ctm.transformPoint(x, y));
}
}
}
//
// Paths
//
@Override
public void appendRectangle(Point2D p0, Point2D p1, Point2D p2, Point2D p3) throws IOException {
addToPath(p0, p1, p2, p3);
}
@Override
public void clip(int windingRule) throws IOException {
}
@Override
public void moveTo(float x, float y) throws IOException {
addToPath(x, y);
}
@Override
public void lineTo(float x, float y) throws IOException {
addToPath(x, y);
}
@Override
public void curveTo(float x1, float y1, float x2, float y2, float x3, float y3) throws IOException {
addToPath(x1, y1);
addToPath(x2, y2);
addToPath(x3, y3);
}
@Override
public Point2D getCurrentPoint() throws IOException {
return null;
}
@Override
public void closePath() throws IOException {
}
@Override
public void endPath() throws IOException {
rectanglePath = null;
}
@Override
public void strokePath() throws IOException {
addPath();
}
@Override
public void fillPath(int windingRule) throws IOException {
addPath();
}
@Override
public void fillAndStrokePath(int windingRule) throws IOException {
addPath();
}
@Override
public void shadingFill(COSName shadingName) throws IOException {
}
void addToPath(Point2D... points) {
Arrays.asList(points).forEach(p -> addToPath(p.getX(), p.getY()));
}
void addToPath(double newx, double newy) {
if (rectanglePath == null) {
rectanglePath = new Rectangle2D.Double(newx, newy, 0, 0);
} else {
rectanglePath.add(newx, newy);
}
}
void addPath() {
if (rectanglePath != null) {
add(rectanglePath);
rectanglePath = null;
}
}
void add(Rectangle2D rect) {
if (rectangle == null) {
rectangle = new Rectangle2D.Double();
rectangle.setRect(rect);
} else {
rectangle.add(rect);
}
}
void add(Point2D... points) {
for (Point2D point : points) {
add(point.getX(), point.getY());
}
}
void add(double newx, double newy) {
if (rectangle == null) {
rectangle = new Rectangle2D.Double(newx, newy, 0, 0);
} else {
rectangle.add(newx, newy);
}
}
Rectangle2D rectanglePath = null;
Rectangle2D rectangle = null;
}
( BoundingBoxFinder en github)
Como se puede ver que prestado el calculateGlyphBoundsmétodo de ayuda de un ejemplo de la clase PDFBox.
Un ejemplo de uso
Se puede utilizar el BoundingBoxFindercomo este para dibujar una línea de frontera a lo largo del borde cuadro delimitador para una dada PDPage pdPagede un PDDocument pdDocument:
void drawBoundingBox(PDDocument pdDocument, PDPage pdPage) throws IOException {
BoundingBoxFinder boxFinder = new BoundingBoxFinder(pdPage);
boxFinder.processPage(pdPage);
Rectangle2D box = boxFinder.getBoundingBox();
if (box != null) {
try ( PDPageContentStream canvas = new PDPageContentStream(pdDocument, pdPage, AppendMode.APPEND, true, true)) {
canvas.setStrokingColor(Color.magenta);
canvas.addRect((float)box.getMinX(), (float)box.getMinY(), (float)box.getWidth(), (float)box.getHeight());
canvas.stroke();
}
}
}
( DetermineBoundingBox método de ayuda)
El resultado es el siguiente:
Sólo una prueba de concepto
Cuidado, el BoundingBoxFinderrealmente no es muy sofisticado; en particular, que no pasa por alto el contenido invisible como un rectángulo de fondo blanco, texto dibujado en el modo de representación "invisible", contenido arbitrario cubierto por un camino lleno blanco, partes blancas de imágenes de mapa de bits, ... Por otra parte, se hace caso omiso de los caminos de clips, raro modos de mezcla, anotaciones, ...
Ampliación de la clase para manejar adecuadamente los casos es bastante recta hacia adelante, pero la suma del código para agregar excedería el alcance de una respuesta de desbordamiento de pila.
Para el código en esta respuesta he usado la corriente PDFBox 3.0.0-SNAPSHOT rama de desarrollo, sino que también debería trabajar fuera de la caja para las versiones 2.x actuales.