¿Cómo evitar que mi código de conversión de PDF a SVG genere contenido inflado?

Quiero convertir PDF a SVG. He escrito mi propio programa Java utilizando las bibliotecas Apache PDFBox y Batik.

PDDocument document = PDDocument.load( pdfFile );
DOMImplementation domImpl =
    GenericDOMImplementation.getDOMImplementation();

// Create an instance of org.w3c.dom.Document.
String svgNS = "http://www.w3.org/2000/svg";
Document svgDocument = domImpl.createDocument(svgNS, "svg", null);
SVGGeneratorContext ctx = SVGGeneratorContext.createDefault(svgDocument);
ctx.setEmbeddedFontsOn(true);

// Ask the test to render into the SVG Graphics2D implementation.

    for(int i = 0 ; i < document.getNumberOfPages() ; i++){
        String svgFName = svgDir+"page"+i+".svg";
        (new File(svgFName)).createNewFile();
        // Create an instance of the SVG Generator.
        SVGGraphics2D svgGenerator = new SVGGraphics2D(ctx,false);
        Printable page  = document.getPrintable(i);
        page.print(svgGenerator, document.getPageFormat(i), i);
        svgGenerator.stream(svgFName);
    }

Esta solución funciona, pero el tamaño de los archivos SVG resultantes es enorme (muchas veces mayor que el PDF de origen). Descubrí dónde está el problema mirando el SVG en un editor de texto: encierra cada carácter en el documento original en su propio <text> </text> bloque incluso si las propiedades de fuente de los caracteres son las mismas.

Por ejemplo, la palabra “hola” aparecerá como 6 bloques de texto diferentes.

¿Hay alguna manera de arreglar el código anterior? ¿O hay otra solución que funcione de manera más eficiente?

Inkscape también se puede utilizar para convertir PDF a SVG. De hecho, es muy bueno en esto, y aunque el código que genera está un poco inflado, al menos, no parece tener el problema particular que está encontrando en su programa. Creo que sería un desafío integrarlo directamente en Java, pero Inkscape proporciona una interfaz de línea de comandos conveniente para esta funcionalidad, por lo que probablemente la forma más fácil de acceder sea a través de una llamada al sistema.

Para usar la interfaz de línea de comandos de Inkscape para convertir un PDF a SVG, use:

inkscape -l out.svg in.pdf

Al que probablemente puedas llamar usando:

Runtime.getRuntime().exec("inkscape -l out.svg in.pdf")

http://download.oracle.com/javase/1.4.2/docs/api/java/lang/Runtime.html#exec%28java.lang.String%29

Creo que exec () es sincrónico y solo regresa después de que se completa el proceso (aunque no estoy 100% seguro de eso), por lo que debería poder leer “out.svg” después de eso. En cualquier caso, buscar en Google “llamada al sistema Java” arrojará más información sobre cómo hacer esa parte correctamente.

Echa un vistazo a pdf2svg (también en en github):

Usar

pdf2svg <input.pdf> <output.svg> [<pdf page no. or "all" >]

Cuando usas all dar un nombre de archivo con %d en él (que será reemplazado por el número de página).

pdf2svg input.pdf output_page%d.svg all

Y para solucionar algunos problemas, consulte:
http://www.calcmaster.net/personal_projects/pdf2svg/

pdftocairo se puede utilizar para convertir PDF a SVG.
es parte de poppler-utils que se puede instalar desde PyPI a través de pipconstruido desde git, o a través del administrador de paquetes de su sistema operativo ^{(por ejemplo, ubuntu/deb lo tiene bajo este mismo nombre)}.

Por ejemplo, para convertir la segunda página de un PDF, se puede ejecutar el siguiente comando:

pdftocairo -svg -f 1 -l 1 input.pdf

He encontrado problemas con las herramientas sugeridas inkscape, pdf2svg o pdftocairo, así como con las herramientas convert y mutool no sugeridas, al intentar convertir archivos PDF grandes y complejos, como algunos de los mapas topográficos del USGS. A veces se bloqueaban, otras veces producían archivos enormemente inflados.

La única herramienta de conversión de PDF a SVG que pudo manejarlos todos correctamente para mi caso de uso fue dvisvgm. Usarlo es muy simple:

dvisvgm --pdf --output=file.svg file.pdf

Tiene varias opciones adicionales para manejar cómo se convierten los elementos, así como para la optimización. Sus archivos resultantes se pueden compactar aún más mediante limpiador de svg si es necesario sin pérdida de calidad perceptiva.

Puede usar bash en un entorno * nix.

La operación de ráfaga divide cada página del PDF en archivos. to-svg.sh recorre estos PDF de una sola página para generar el archivo SVG asociado

pdftk 82page.pdf burst
sh to-svg.sh 

contenidos de to-svg.sh

#!/bin/bash
FILES=burst/*
for f in $FILES
do
  inkscape -l "$f.svg" "$f"
done

Inkscape no funciona con el -l opción más. Decía “No se puede abrir el archivo: /out.svg (no existe)”. La forma larga de esa opción está en la página del manual como --export-plain-svg y funciona, pero muestra una advertencia de desaprobación. Pude arreglar y actualizar el comando usando el -o opción en Inkscape 1.1.2-3ubuntu4:

inkscape in.pdf -o out.svg