iText7中TextRenderInfo.GetFontSize()返回错误值的排查与解决

问题背景 #

使用iText 7提取PDF文本时，4个测试PDF里有3个返回字号值为1，仅1个能获取正确字号；此前使用iTextSharp 5.5.13时可正常获取正确字号。相关代码及尝试的方法如下：

原提取代码 #

using System.Text;
using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Data;
using iText.Kernel.Pdf.Canvas.Parser.Listener;

namespace PDFTextExtraction
{
    class Program
    {
        static void Main(string[] args)
        {
            string pdfFilePath = "pathtopdf.pdf";

            using (PdfReader pdfReader = new PdfReader(pdfFilePath))
            {
                using (PdfDocument pdfDocument = new PdfDocument(pdfReader))
                {
                    MyTextEventListener listener = new MyTextEventListener();

                    for (int pageNum = 1; pageNum <= pdfDocument.GetNumberOfPages(); pageNum++)
                    {
                        PdfPage page = pdfDocument.GetPage(pageNum);
                        PdfCanvasProcessor parser = new PdfCanvasProcessor(listener);
                        parser.ProcessPageContent(page);
                    }

                    Console.WriteLine("提取的文本及字体信息：");
                    Console.WriteLine(listener.GetExtractedText());
                }
            }
        }
    }

    public class MyTextEventListener : IEventListener
    {
        private readonly StringBuilder extractedText = new StringBuilder();

        public void EventOccurred(IEventData data, EventType type)
        {
            if (type.Equals(EventType.RENDER_TEXT))
            {
                TextRenderInfo renderInfo = (TextRenderInfo)data;
                string text = renderInfo.GetText();
                string font = renderInfo.GetFont().GetFontProgram().ToString();
                float fontSize = renderInfo.GetFontSize();

                extractedText.AppendLine($"文本: {text} | 字体: {font} | 字号: {fontSize}");
            }
        }

        public ICollection<EventType> GetSupportedEvents()
        {
            return new List<EventType> { EventType.RENDER_TEXT };
        }

        public string GetExtractedText()
        {
            return extractedText.ToString();
        }
    }
}

已尝试的方法 #

float ascent = renderInfo.GetAscentLine().GetStartPoint().Get(1);
float descent = renderInfo.GetDescentLine().GetStartPoint().Get(1);
float fontSize = ascent - descent;

相关PDF操作符示例 #

BT 
0 0.6 0.95 0 k 
/GS0 gs 
/T1_0 1 Tf 
0.024 Tc 
-0.024 Tw 
8 0 0 8 32.3386 171.361 Tm
[(V)43.2(o)2.2(r)-1(n)1.5(ame)24( Na)7.9(c)-1.4(h)-1.1(n)1.4(a)0.5(me)] TJ
ET

实际正确字号应为8pt，疑问：Tf里的1是字号吗？通过文本矩阵计算字号的方法是否可行？

原因分析 #

1. PDF排版机制差异：在你提供的PDF操作符中，T1_0 1 Tf是设置字体和原始字号参数（这里的1是Tf操作符的字号值），但后续的8 0 0 8 32.3386 171.361 Tm是文本矩阵操作，其中前两个8分别是X、Y方向的缩放因子。实际显示字号是Tf的字号值 × 文本矩阵的缩放因子，即1×8=8pt。
2. iText版本行为变更：iTextSharp 5.5.13会自动结合Tf的字号值和文本矩阵的缩放因子，返回实际显示的字号；而iText 7的GetFontSize()仅返回Tf操作符中的原始字号值（即1），不会自动应用文本矩阵的缩放。
3. PDF生成工具的排版习惯：很多PDF生成工具为了排版灵活，会将Tf的字号设为1，再通过文本矩阵的缩放来控制实际显示大小，这就导致GetFontSize()拿到的是原始值1，而非实际显示的字号。

解决方案 #

1. 通过文本矩阵计算实际字号（推荐） #

你提到的方法是可行的，更准确的方式是取文本矩阵的Y方向缩放值（因为PDF中字体的大小对应Y轴方向的缩放），代码示例：

Matrix textMatrix = renderInfo.GetTextMatrix();
// 取Y方向缩放因子，绝对值处理防止翻转情况
float actualFontSize = Math.Abs(textMatrix.Get(Matrix.I22));

如果遇到非均匀缩放（X和Y缩放值不同），可根据需求取最大值或平均值：

float scaleX = Math.Abs(textMatrix.Get(Matrix.I11));
float scaleY = Math.Abs(textMatrix.Get(Matrix.I22));
float actualFontSize = Math.Max(scaleX, scaleY);
// 或取平均值：float actualFontSize = (scaleX + scaleY) / 2;

2. 通过字体 ascent/descent 计算实际字号 #

你之前尝试的方法可以优化，通过计算ascent和descent线的Y坐标差，得到实际显示的字体高度（即视觉字号）：

LineSegment ascentLine = renderInfo.GetAscentLine();
LineSegment descentLine = renderInfo.GetDescentLine();
// 计算Y坐标差，绝对值处理防止翻转
float actualFontSize = Math.Abs(ascentLine.GetStartPoint().Get(1) - descentLine.GetStartPoint().Get(1));

这个方法不受缩放是否均匀的影响，能直接得到视觉上的字号大小。

3. 兼容旧版本行为 #

如果需要和iTextSharp 5.5.13的行为一致，可在获取GetFontSize()后，结合文本矩阵的缩放因子计算：

float rawFontSize = renderInfo.GetFontSize();
Matrix textMatrix = renderInfo.GetTextMatrix();
float scaleY = Math.Abs(textMatrix.Get(Matrix.I22));
float actualFontSize = rawFontSize * scaleY;

内容的提问来源于stack exchange，提问作者Pronet66