使用Apache PDFBox生成阿拉伯文PDF：字符分离问题及解决需求

开发者阿泽

2026-5-15

解决Apache PDFBox生成阿拉伯文PDF时字符分离的问题

这个问题的核心在于阿拉伯文是上下文相关的连写脚本——每个字符的显示形态（孤立、起始、中间、结尾）完全依赖它在单词中的位置，而PDFBox默认只会处理“基础Unicode字符”（也就是你说的通用标准Unicode），这些字符对应的都是孤立形态，直接输出自然会导致字符分离。

你之前尝试的提取字节流、直接取字符Unicode值的方法都没用，因为这些操作拿到的都是基础字符的编码，根本没有考虑上下文形态转换。要解决这个问题，我们需要先把阿拉伯文文本转换为包含正确形态字符的序列，再交给PDFBox渲染。

最佳解决方案：使用ICU4J处理阿拉伯文形态转换

ICU4J（International Components for Unicode for Java）是专门处理复杂脚本文本的库，它能自动根据字符位置将基础Unicode转换为对应的连写形态字符，同时处理阿拉伯文的双向文本显示顺序。

步骤1：引入ICU4J依赖

如果用Maven，在pom.xml中添加：

<dependency>
    <groupId>com.ibm.icu</groupId>
    <artifactId>icu4j</artifactId>
    <version>74.1</version> <!-- 替换为最新稳定版即可 -->
</dependency>

步骤2：编写阿拉伯文处理工具类

这个类会完成形态转换和双向文本排序：

import com.ibm.icu.text.ArabicShaping;
import com.ibm.icu.text.ArabicShapingException;
import com.ibm.icu.text.Bidi;

public class ArabicTextRenderer {
    public static String processArabicText(String rawText) throws ArabicShapingException {
        // 初始化形态转换器：SHAPE_LETTERS_SHAPE表示转换所有位置的形态
        ArabicShaping shapingEngine = new ArabicShaping(ArabicShaping.SHAPE_LETTERS_SHAPE);
        // 转换基础字符为上下文相关的形态字符
        String shapedText = shapingEngine.shape(rawText);
        // 处理双向文本，确保阿拉伯文从右到左的正确显示顺序
        Bidi bidiHandler = new Bidi(shapedText, Bidi.DIRECTION_DEFAULT_RIGHT_TO_LEFT);
        return bidiHandler.writeReordered(Bidi.REORDER_DEFAULT);
    }
}

步骤3：在PDFBox中使用处理后的文本

确保你使用的字体支持阿拉伯文（比如Noto Naskh Arabic、Amiri等），然后替换原来的文本输出逻辑：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDPageContentStream;
import org.apache.pdfbox.pdmodel.font.PDType0Font;

import java.io.File;
import java.io.IOException;

public class ArabicPdfGenerator {
    public static void main(String[] args) {
        try (PDDocument document = new PDDocument()) {
            PDPage page = new PDPage();
            document.addPage(page);
            
            try (PDPageContentStream contentStream = new PDPageContentStream(document, page)) {
                // 加载支持阿拉伯文的字体
                PDType0Font arabicFont = PDType0Font.load(document, new File("path/to/your/arabic-font.ttf"));
                
                contentStream.beginText();
                contentStream.setFont(arabicFont, 14);
                // 设置文本位置（注意阿拉伯文从右到左，调整坐标时要考虑）
                contentStream.newLineAtOffset(400, 700);
                
                // 原始阿拉伯文本
                String rawArabic = "جملة بالعربي";
                // 处理文本
                String processedText = ArabicTextRenderer.processArabicText(rawArabic);
                // 输出处理后的文本
                contentStream.showText(processedText);
                
                contentStream.endText();
            }
            
            document.save("arabic-output.pdf");
        } catch (IOException | ArabicShapingException e) {
            e.printStackTrace();
        }
    }
}

为什么这个方法有效？

以你提到的例子"كلمة"来说：

原始字符串中的第二个字符是基础字符U+0644（ل），处于单词的中间位置
经过ICU的ArabicShaping处理后，这个字符会被替换为中间形态的U+FEF1，这个编码对应的就是连写的中间字形，PDFBox渲染时就能正确显示连写效果，不会出现字符分离。

额外注意事项

一定要用支持阿拉伯文的字体，如果字体没有包含对应形态的字形，即使转换了编码也无法正确显示
阿拉伯文是从右到左的文本，设置文本坐标时要注意调整起始位置，避免内容超出页面

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