PDF转图片部分公式字符丢失问题解决的爬坑记录
现象
PDF教材导出到系统中，由程序将PDF转为图片后合并成一张大图供前端标注，但是在标注数学和化学学科的时候且源文件是PDF的情况下出现公式部分字符丢失的情况，如下图
原件
转换后效果
WTF!
转换方案
PDFBOX（当前方案）
public void pdf2Jpg(InputStream in, String jpgFilePath) {
int idx = jpgFilePath.lastIndexOf('.');
String jpgPrefix = StringUtils.substring(jpgFilePath, 0, idx) + File.separator;
int pdfDpi = 200;
try (final PDDocument document = Loader.loadPDF(in)) {
int size = document.getNumberOfPages();
for (int i = 0; i < size; i++) {
BufferedImage image = new PDFRenderer(document).renderImageWithDPI(i, pdfDpi, ImageType.RGB);
File dir = new File(jpgPrefix);
if (!dir.exists()) {
dir.mkdirs();
}
File jpgFile = new File(jpgPrefix + i + ".jpg");
ImageIO.write(image, "jpg", jpgFile);
}
} catch (Exception e) {
e.printStackTrace();
}
}
转换效果如下
和别人发过来的问题截图一毛一样，起初我以为是字体问题，这个公式用的字体是 Cambria Math，我本地已经下载了该字体，但是从PDF中复制出来的字体是CambriaMath 不带空格，这一块触及知识盲区了，为啥不带空格？ 复制到Word中显示的就是一个长方形里面有个问好，我们换个SDK试下
icepdf
public static void pdf2Pic(String pdfPath, String path) throws IOException, PDFException, PDFSecurityException, InterruptedException {
org.icepdf.core.pobjects.Document document = new org.icepdf.core.pobjects.Document();
document.setFile(pdfPath);
//缩放比例
float scale = 2.5f;
//旋转角度
float rotation = 0f;
for (int i = 0; i < document.getNumberOfPages(); i++) {
BufferedImage image = (BufferedImage)
document.getPageImage(i, GraphicsRenderingHints.SCREEN, org.icepdf.core.pobjects.Page.BOUNDARY_CROPBOX, rotation, scale);
RenderedImage rendImage = image;
try {
String imgName = i + ".jpg";
System.out.println(imgName);
File file = new File(path + imgName);
ImageIO.write(rendImage, "jpg", file);
} catch (IOException e) {
e.printStackTrace();
}
image.flush();
}
document.dispose();
}
转换效果如下
这下不是空白了，就是那个长方形内嵌问号的乱码，感觉就是字体问题，但是好像是由于公式引发的，这个是PDF，且我在word中手动输入的公式导出PDF再转图片是正常的，不明觉厉！我们再换个SDK试下
Aspose.word(有水印，仅测试)
public static void pdfToImage(InputStream inputStream, String imgFilePath) {
try {
log.info("convert pdf2jpg begin");
long old = System.currentTimeMillis();
Document pdfDocument = new Document(inputStream);
//分辨率
Resolution resolution = new Resolution(200);
JpegDevice jpegDevice = new JpegDevice(resolution);
List<BufferedImage> imageList = new ArrayList<BufferedImage>();
List<File> fileList = new ArrayList<>();
for (int index = 1; index <= pdfDocument.getPages().size(); index++) {
File file = new File(imgFilePath + index + ".jpg");
FileOutputStream fileOS = new FileOutputStream(file);
jpegDevice.process(pdfDocument.getPages().get_Item(index), fileOS);
fileOS.close();
imageList.add(ImageIO.read(file));
fileList.add(file);
}
//临时文件删除
long now = System.currentTimeMillis();
log.info("convert pdf2jpg completed, elapsed ：" + ((now - old) / 1000.0) + "秒");
//删除临时文件
} catch (Exception e) {
e.printStackTrace();
log.error("convert pdf2jpg error:" + e);
}
}
转换效果如下
看到aspose这个样子我基本上就确定，这个玩意和本地字体没有什么关系，惨不忍睹，再来
PDFRender，没错我已经用上PDFRender了
private static void pdfToImageRender(InputStream is, String imgFilePath) throws IOException {
int pagen = 1;
PDFFile pdffile = null;
byte[] byt = toByteArray(is);
try {
ByteBuffer buf = ByteBuffer.allocate(byt.length);
buf.put(byt);
pdffile = new PDFFile(buf);
} catch (Exception e) {
e.printStackTrace();
}
if (pagen > pdffile.getNumPages())
return;
pagen = pdffile.getNumPages();
for (int i = 1; i <= pagen; i++) {
PDFPage page = pdffile.getPage(i);
int width = (int) page.getBBox().getWidth();
int height = (int) page.getBBox().getHeight();
BufferedImage img = new BufferedImage(width, height, BufferedImage.TYPE_INT_RGB);
Graphics2D g2 = img.createGraphics();
PDFRenderer renderer = new PDFRenderer(page, g2,
new Rectangle(0, 0, width, height), null, Color.white);//这个color为渲染出来的图片的背景颜色
try {
page.waitForFinish();
} catch (Exception e) {
e.printStackTrace();
}
renderer.run();
g2.dispose();
OutputStream os = new FileOutputStream(imgFilePath + i + ".jpg");
try {
ImageIO.write(img, "jpg", os);
} catch (Exception ex) {
ex.printStackTrace();
}
}
}
转换效果如下
没错，你没看错，从第一个公式字符开始已经报错了，剩下的都没有渲染出来，这特喵的不还是字体问题，报错信息如下
java.lang.IllegalArgumentException: newPosition > limit: (1146308935 > 1619740)
at java.nio.Buffer.createPositionException(Buffer.java:269)
at java.nio.Buffer.position(Buffer.java:244)
at com.sun.pdfview.font.ttf.TrueTypeFont.parseDirectories(TrueTypeFont.java:312)
at com.sun.pdfview.font.ttf.TrueTypeFont.parseFont(TrueTypeFont.java:68)
at com.sun.pdfview.font.TTFFont.<init>(TTFFont.java:78)
at com.sun.pdfview.font.TTFFont.<init>(TTFFont.java:50)
at com.sun.pdfview.font.CIDFontType2.<init>(CIDFontType2.java:68)
at com.sun.pdfview.font.PDFFont.getFont(PDFFont.java:191)
at com.sun.pdfview.font.Type0Font.<init>(Type0Font.java:51)
at com.sun.pdfview.font.PDFFont.getFont(PDFFont.java:156)
at com.sun.pdfview.PDFParser.getFontFrom(PDFParser.java:1166)
at com.sun.pdfview.PDFParser.iterate(PDFParser.java:719)
at com.sun.pdfview.BaseWatchable.run(BaseWatchable.java:102)
at java.lang.Thread.run(Thread.java:748)
java.lang.IllegalArgumentException: newPosition > limit: (1146308935 > 1619740)
at java.nio.Buffer.createPositionException(Buffer.java:269)
at java.nio.Buffer.position(Buffer.java:244)
at com.sun.pdfview.font.ttf.TrueTypeFont.parseDirectories(TrueTypeFont.java:312)
at com.sun.pdfview.font.ttf.TrueTypeFont.parseFont(TrueTypeFont.java:68)
at com.sun.pdfview.font.TTFFont.<init>(TTFFont.java:78)
at com.sun.pdfview.font.TTFFont.<init>(TTFFont.java:50)
at com.sun.pdfview.font.CIDFontType2.<init>(CIDFontType2.java:68)
at com.sun.pdfview.font.PDFFont.getFont(PDFFont.java:191)
at com.sun.pdfview.font.Type0Font.<init>(Type0Font.java:51)
at com.sun.pdfview.font.PDFFont.getFont(PDFFont.java:156)
at com.sun.pdfview.PDFParser.getFontFrom(PDFParser.java:1166)
at com.sun.pdfview.PDFParser.iterate(PDFParser.java:719)
at com.sun.pdfview.BaseWatchable.run(BaseWatchable.java:102)
at java.lang.Thread.run(Thread.java:748)
小结
其实在PDFBOX转换的时候也有一条告警
00:19:53.100 [main] WARN org.apache.pdfbox.pdmodel.font.PDCIDFontType2 - Could not read embedded OTF for font DCWGQU+CambriaMath
java.io.IOException: head is mandatory
at org.apache.fontbox.ttf.TTFParser.parseTables(TTFParser.java:182)
at org.apache.fontbox.ttf.TTFParser.parse(TTFParser.java:150)
at org.apache.fontbox.ttf.OTFParser.parse(OTFParser.java:79)
at org.apache.fontbox.ttf.OTFParser.parse(OTFParser.java:27)
at org.apache.fontbox.ttf.TTFParser.parse(TTFParser.java:106)
at org.apache.fontbox.ttf.OTFParser.parse(OTFParser.java:73)
at org.apache.pdfbox.pdmodel.font.PDCIDFontType2.<init>(PDCIDFontType2.java:114)
at org.apache.pdfbox.pdmodel.font.PDCIDFontType2.<init>(PDCIDFontType2.java:67)
at org.apache.pdfbox.pdmodel.font.PDFontFactory.createDescendantFont(PDFontFactory.java:138)
at org.apache.pdfbox.pdmodel.font.PDType0Font.<init>(PDType0Font.java:88)
at org.apache.pdfbox.pdmodel.font.PDFontFactory.createFont(PDFontFactory.java:96)
at org.apache.pdfbox.pdmodel.PDResources.getFont(PDResources.java:143)
at org.apache.pdfbox.contentstream.operator.text.SetFontAndSize.process(SetFontAndSize.java:66)
at org.apache.pdfbox.contentstream.PDFStreamEngine.processOperator(PDFStreamEngine.java:849)
at org.apache.pdfbox.contentstream.PDFStreamEngine.processStreamOperators(PDFStreamEngine.java:495)
at org.apache.pdfbox.contentstream.PDFStreamEngine.processStream(PDFStreamEngine.java:469)
at org.apache.pdfbox.contentstream.PDFStreamEngine.processPage(PDFStreamEngine.java:142)
at org.apache.pdfbox.rendering.PageDrawer.drawPage(PageDrawer.java:264)
at org.apache.pdfbox.rendering.PDFRenderer.renderImage(PDFRenderer.java:338)
at org.apache.pdfbox.rendering.PDFRenderer.renderImage(PDFRenderer.java:259)
at org.apache.pdfbox.rendering.PDFRenderer.renderImageWithDPI(PDFRenderer.java:245)
查了一个pdfbox的报错信息，pdfbox不支持otf字体，如果要使用otf字体，则需要进行转换后方可使用，DCWGQU+CambriaMath这个关键词我在Google上面没有搜到
这里猜测应当是历史版本的office生成的公式，并且在转换PDF的时候把相关字体写入到PDF中去了，而这些个SDK都没有去读取和解析PDF自带的字体，只是读了个名称，然后再调用操作系统已安装的字体，字体不兼容解析失败导致异常，我目前的手上的工具也无法生成这样PDF来复现这个问题
其实我这边有拿到过其他有问题PDF的word原件，再用高版本的word导出PDF后用PDFBOX导出是没有问题的，但是这个并没有解决问题啊，主流的PDF转图片的SDK基本都不行，你总不能让源头客户去升级OFFICE再试试吧
一点感想
锁死了！就好像刺客五六七里何大春的 “情比金坚七天锁” ，一锁七天，不到时间无法打开。这个锁就像爱情一样，内部是打不开的，但是施锁的那个人如果能主动放弃其实是可以提前打开的，大春为了救阿七释放锁，我也可以，所以就释放JavaSDK，把搜索引擎后面的Java四个字母干掉，看看外面的世界
大杀器ImageMagick（开源，免费）
ImageMagick是一个免费的创建、编辑、合成图片的软件。它可以读取、转换、写入多种格式的图片。图片切割、颜色替换、各种效果的应用，图片的旋转、组合，文本，直线，多边形，椭圆，曲线，附加到图片伸展旋转。ImageMagick是免费软件：全部源码开放，可以自由使用，复制，修改，发布，它遵守GPL许可协议，可以运行于大多数的操作系统，ImageMagick的大多数功能的使用都来源于命令行工具
百度百科传送门：https://baike.baidu.com/item/ImageMagick/6865180?fr=aladdin
官网传送门：https://imagemagick.org/index.php
上代码
private static final boolean isWin = System.getProperty("os.name").toLowerCase().contains("win");
private static final boolean isLinux = System.getProperty("os.name").toLowerCase().indexOf("linux") >= 0;
private static final String COMMAND_LINE_WIN = "C:/PROGRA~1/ImageMagick-7.1.0-Q16-HDRI/magick.exe convert -density 220 -quality 80 -background white -alpha remove {0} {1}/1.jpg";
private static final String COMMAND_LINE_LINUX = "magick convert -density 220 -quality 80 -background white -alpha remove {0} {1}/1.jpg";
public void pdf2jpgByMagick(String pdfPath, String jpgFilePath) throws IOException {
FileUtils.forceMkdir(new File(jpgFilePath));
String command;
if (isWin) {
command = MessageFormat.format(COMMAND_LINE_WIN, pdfPath, jpgFilePath);
}else if(isLinux){
command = MessageFormat.format(COMMAND_LINE_LINUX, pdfPath, jpgFilePath);
}else {
throw new RuntimeException("暂不支持的平台");
}
CommandUtil.exeCmd(command);
}
转换效果如下
那是相当的Perfect！但是windows安装（本地）、Linux服务器安装、还有容器部署镜像封装还有一堆事情，还有一些ImageMagick安装及转jpg参数设定的一些小坑，且看下回分享
