PDFBox迁移PDF文本保留格式遇编码及字体子类问题求助

需求背景 #

• 将原PDF文本迁移至新PDF，需完整保留粗体、斜体、下划线等字体格式
• 实现方案：基于原PDF的TextPosition列表提取字体、字号信息，通过PDPageContentStream.showText()写入文本

已解决问题 #

• 问题1：循环执行137次后抛出异常：java.lang.IllegalArgumentException: No glyph for U+00AD in font VVHOEY+FrutigerLT-BoldCn
  • 解决方式：手动将Unicode U+00AD（软连字符）替换为占位符

当前核心问题 #

• 问题2：调用org.apache.pdfbox.pdmodel.font.PDCIDFontType0.encode(int)时抛出UnsupportedOperationException
  • 尝试替换源文档对应字体时，出现COSStream随机关闭导致新文档无法保存
  • 使用PDType1Font.HELVETICA等标准字体可正常工作，但需保留原文档的7个子集字体（subtype 1或0，无AcroForm定义）

针对性解决方案 #

1. 解决CIDFontType0编码异常 #

• 避免直接调用encode(int)方法：PDCIDFontType0的单字符编码方法未实现，改用PDFont.encode(String)处理整段文本编码，该方法会自动适配CID字体的编码逻辑：

  String targetText = textPosition.getUnicode();
  byte[] encodedData = textPosition.getFont().encode(targetText);
  contentStream.showText(encodedData);
  

• 直接复用原字体实例：从TextPosition中直接获取原PDFont对象，不要重新加载或创建字体实例，避免触发未实现的编码逻辑：

  TextPosition textPos = ...; // 原文档提取的TextPosition对象
  PDFont originalFont = textPos.getFont();
  contentStream.setFont(originalFont, textPos.getFontSize());
  contentStream.showText(textPos.getUnicode());
  

• 前置检测字符可用性：子集字体可能缺失部分字符，提前检测并替换缺失字符：

  PDFont font = ...;
  String rawText = ...;
  StringBuilder processedText = new StringBuilder();
  for (char c : rawText.toCharArray()) {
      if (font.hasGlyph(c)) {
          processedText.append(c);
      } else {
          processedText.append("□"); // 用占位符替代缺失字形
      }
  }
  contentStream.showText(processedText.toString());
  

2. 解决COSStream随机关闭问题 #

• 禁止手动关闭字体流：复用原文档字体时，不要调用font.getCOSObject().close()等可能关闭流的方法，PDFBox会在文档保存阶段自动管理流资源
• 绑定字体到新文档资源：将原字体添加到新页面的资源集合中，确保资源引用有效：

  PDPage newPage = new PDPage();
  PDResources resources = new PDResources();
  resources.add(originalFont);
  newPage.setResources(resources);
  newDocument.addPage(newPage);
  

内容的提问来源于stack exchange，提问作者DummerIdiot