如何使用Apache PDFBox获取PDF文件中的文本字体大小

核心逻辑 #

PDF中的字体大小不会直接全局存储，需要在解析每个文本片段时，通过当前文本的变换矩阵计算得出实际pt单位值。Apache PDFBox提供了TextPosition类封装了所有文本相关的属性，你只需要自定义PDFTextStripper的子类，重写文本处理的回调方法即可获取到所有字号数据。

实现步骤 #

• 自定义继承PDFTextStripper的工具类，内部维护集合用来存储去重后的字号值，避免重复统计相同字号
• 重写processTextPosition(TextPosition text)方法，该方法会在解析每个文本片段时自动触发
• 直接调用TextPosition提供的getFontSizeInPt()方法获取已换算为pt单位的字号值，PDFBox 2.0及以上版本已内置该方法，无需自行计算矩阵
• 全页解析完成后，从维护的集合中即可获取文档中所有已使用的字号

可运行示例代码 #

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;
import java.io.File;
import java.io.IOException;
import java.util.HashSet;
import java.util.Set;

public class FontSizeExtractor extends PDFTextStripper {
    // 存储去重后的已使用字号，单位pt
    private final Set<Float> usedFontSizes = new HashSet<>();

    public FontSizeExtractor() throws IOException {
        super();
    }

    @Override
    protected void processTextPosition(TextPosition text) {
        float fontSizePt = text.getFontSizeInPt();
        // 处理浮点精度问题，保留1位小数，可根据需求调整精度
        fontSizePt = Math.round(fontSizePt * 10) / 10f;
        usedFontSizes.add(fontSizePt);
        // 保留父类逻辑，不影响原有文本提取功能
        super.processTextPosition(text);
    }

    public Set<Float> getUsedFontSizes() {
        return usedFontSizes;
    }

    public static void main(String[] args) throws IOException {
        // 替换为你的PDF文件路径
        try (PDDocument document = PDDocument.load(new File("test.pdf"))) {
            FontSizeExtractor extractor = new FontSizeExtractor();
            // 设置解析所有页面
            extractor.setStartPage(1);
            extractor.setEndPage(document.getNumberOfPages());
            // 触发文本解析流程，无需使用返回的文本内容
            extractor.getText(document);
            // 输出排序后的所有字号
            System.out.println("文档中已使用的字体大小（单位pt）：");
            extractor.getUsedFontSizes().stream().sorted().forEach(size -> System.out.println(size + "pt"));
        }
    }
}

注意事项 #

• 若使用PDFBox 1.x版本，无内置getFontSizeInPt()方法，可通过text.getTextMatrix().getScalingFactorY()自行计算，结果即为pt单位字号
• 可根据业务需求调整精度处理逻辑，避免因为PDF渲染的浮点误差导致同一个字号被识别为多个接近的数值
• 如果需要关联字号和对应文本内容，可在processTextPosition方法中同时获取text.getUnicode()属性，存入自定义实体类集合即可

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