如何使用 iText7 检测 PDF 中的 fontawesome 图标

Posted 2023-03-27

【中文标题】如何使用 iText7 检测 PDF 中的 fontawesome 图标

【英文标题】：How to detect a fontawesome icon in a PDF using iText7

【发布时间】：2022-01-05 16:40:43

【问题描述】：

我有几千个 PDF，我正在使用 Powershell 和 iText7 处理，将 PDF 的文本导出到 Excel。 PDF 是从 html 生成的——它们不是来自可填写的表单。一些重要信息是通过“复选框”和“单选按钮”捕获的，它们实际上是 FontAwesome 图标（复选框为 \f14a，单选按钮的字体粗细为 900 的 \f111）。使用 CSS ::before 标记将图标添加到 HTML。它们在 PDF 中显示良好，但在我的输出中它们无法识别为字符（在 Powershell 控制台中，它们显示为小的空矩形，而在 Excel 中，它们显示为内部带有问号的小矩形）。

这是原始 HTML 中所选单选按钮的 CSS：

input[type=radio]:checked + label.ReplaceWithIcon:before 
    font-family: 'Font Awesome 5 Pro';
    content: "\f111";
    font-weight: 900;

这是原始 HTML 中复选框的 CSS：

input[type=checkbox]:checked + label.ReplaceWithIcon:before 
    font-family: 'Font Awesome 5 Pro';
    content: "\f14a";
    font-weight: 900;

有什么方法可以检测正在使用的图标吗？我不需要图标显示在输出中——我只需要知道检测到哪个图标。另外，对于单选按钮一，我需要知道字体粗细是什么。 （在原始 HTML 中以 font-weight: 900 表示选中。）

【问题讨论】：

您的两个值都来自 Unicode 私人使用范围： -  (U+F111, 私人使用) 和  (U +F14A，私人使用）。您不能期望您的控制台/终端字体包含合适的字形。使用 standard Unicode，例如✓ (U+2713, 复选标记)。

当您覆盖现有的文本提取策略时，您是否获得可识别的字体名称？另外，那些 FontAwesome 图标 是唯一提取为私人使用区号点的字符吗？然后您可以在提取后应用简单的搜索和替换，然后再进行进一步处理...

@mkl 我不太清楚你所说的覆盖现有文本提取策略是什么意思。对于您的第二个问题，这些图标可能是唯一的私人使用区域字符。

“我不太清楚你所说的覆盖现有文本提取策略是什么意思。” - 你的任务是导出 PDF 的文本，即文本提取。对于 iText 7 的文本提取，您使用文本提取策略（因为您没有显示代码，所以我无法显示您在哪里执行）。因此，您可以通过创建自己的文本提取策略来实现特殊的文本提取行为，可能是从现有策略派生而来。

“对于您的第二个问题，这些图标可能是唯一的私人使用区域字符。” - 那么您为什么不简单地搜索从 PDF 中获得的文本字符串对于 '\uf111' 和 '\uf14a' 并适当地处理它们？

【参考方案1】：

感谢@mkl 的评论，我通过匹配“\uf111”和“\uf14a”来实现这一点。