OperatorProcessor

OperatorProcessorは、Apache PDFBoxライブラリにおける抽象クラスで、PDFコンテンツストリームのオペレータを処理するためのフレームワークを提供します。PDFドキュメントのコンテンツストリームには、 ( Citation: N.A., 2020 (N.A.). (2020). Document management — Portable document format — Part 2: PDF 2.0 .  International Organization for Standardization Retrieved from https://www.iso.org/standard/75839.html ) で規定されているように、ページ上でのコンテンツの表示方法を定義するオペレータとオペランドの列が含まれます。開発者はこのクラスを継承し、オペレータレベルでPDFコンテンツを解析、抽出、または操作するためのカスタムロジックを実装できます。

OperatorProcessorは、Apache PDFBoxのコンテンツストリーム処理アーキテクチャ内の基底クラスで、個々のPDFオペレータをプログラム的に処理することを可能にします。PDFコンテンツストリームは、オペレータ（「moveto」、「lineto」、「show text」などのコマンド）とそれに対応するオペランド（パラメータ）で構成され、これらが組み合わさることでPDFページの視覚要素とレイアウトを記述します。OperatorProcessorクラスはCommandパターンに従っており、各具象実装は特定のオペレータタイプ（テキスト配置、パス構築、色設定など）を処理します。OperatorProcessorを継承することで、開発者はPDFBoxのコンテンツストリームパーサーがページレンダリングやコンテンツ抽出時に特定のオペレータに遭遇した際に実行される、カスタムハンドラを作成できます。これは、抽出されたテキストやその他のコンテンツへの簡易的なアクセスを提供するために、オペレータレベルの詳細を抽象化するPDFTextStripperなどの高レベルPDFBox APIとは異なります。

OperatorProcessorの理解は、基本的なテキスト抽出やレンダリングを超えた高度なPDF処理タスクを実行する必要がある開発者にとって重要です。このクラスは、PDFコンテンツの解釈方法を正確に制御できるため、正確な位置情報を保持するカスタムテキスト抽出、 ( Citation: N.A., 2014 (N.A.). (2014). Document management applications — Electronic document file format enhancement for accessibility — Part 1: Use of ISO 32000-1 (PDF/UA-1) .  International Organization for Standardization Retrieved from https://www.iso.org/standard/64599.html ) などの標準に準拠したアクセシビリティのための特殊なコンテンツ解析、またはカスタムレンダリングエンジンの実装といったシナリオに不可欠です。 ( Citation: PDF Association, 2023 PDF Association(2023). Retrieved from https://pdfa.org/resource/tagged-pdf-best-practice-guide-syntax/ ) で規定されているような、構造的な解釈を必要とするTagged PDFを扱う場合、開発者は特定の描画操作とマークされたコンテンツを関連付けるために、オペレータレベルのアクセスが必要になることがあります。OperatorProcessor抽象化により、開発者はライブラリのコアコードを変更することなく、PDFBoxのコンテンツストリーム処理パイプラインにカスタム動作を注入できるため、拡張性と保守性の高いPDF処理ソリューションが実現できます。

OperatorProcessorは、PDFBoxのコンテンツストリーム解析ワークフロー内で機能します。このワークフローは、ページのコンテンツストリームを順次読み取り、遭遇した各オペレータに対して適切なプロセッサを呼び出します。開発者は抽象クラスを継承し、process()メソッドをオーバーライドすることで、OperatorProcessorの具象実装を作成します。このメソッドは、オペレータとそのオペランド、および現在のグラフィックス状態をパラメータとして受け取ります。各プロセッサは、オペレータ名のマッピングを使用してPDFStreamEngine（またはそのサブクラス）に登録されるため、コンテンツストリームで特定のオペレータが出現すると、登録されたプロセッサが実行されます。例えば、「Tj」（テキスト表示）オペレータのカスタムプロセッサは、現在の変換行列を使用して正確な座標を記録しながら、テキスト文字列を抽出する可能性があります。各プロセッサに提供されるグラフィックス状態コンテキストには、現在のフォント、色、線幅、変換行列に関する情報が含まれており、オペレータの効果を正確に解釈できます。異なるオペレータを処理するために複数のプロセッサを登録でき、開発者は特定のオペレータに対してカスタム実装を登録することでデフォルトのPDFBoxの動作を選択的にオーバーライドし、その他のオペレータについては組み込みプロセッサに処理を任せることができます。

• Content Stream（コンテンツストリーム） – ページまたはform XObjectの外観を定義するPDFオペレータとオペランドの列
• PDFStreamEngine – コンテンツストリームの解析とオペレータプロセッサの実行を統括するApache PDFBoxのクラス
• Graphics State（グラフィックス状態） – PDFオペレータがコンテンツをレンダリングする方法に影響を与えるパラメータ（色、フォント、変換行列）の集合
• Marked Content（マークされたコンテンツ） – 論理的なコンテンツセクションをタグ付けするPDF構造要素で、に準拠したアクセシビリティのためにオペレータレベルで処理されることが多い
• Text Extraction（テキスト抽出） – PDFからテキストコンテンツを取得するプロセスで、正確な位置情報を得るためにオペレータレベルの処理が必要になることが多い