Simplify text segment decoding by reusing binaryString (#435)

Author: PrinsFrank

src/Document/ContentStream/PositionedText/PositionedTextElement.php

@@ -28,10 +28,13 @@ public function getFont(Document $document, Page $page): Font {
     /** @throws ParseFailureException */
     public function getText(Document $document, Page $page): string {
         $font = $this->getFont($document, $page);
+        $differences = $font->getDifferences();
+        $encoding = $font->getEncoding();
+        $toUnicodeCMap = $font->getToUnicodeCMap() ?? $font->getToUnicodeCMapDescendantFont();
 
         $string = '';
         foreach ($this->textSegments as $textSegment) {
-            $string .= $textSegment->getText($font);
+            $string .= $textSegment->getText($differences, $encoding, $toUnicodeCMap);
         }
 
         return $string;

src/Document/ContentStream/PositionedText/TextSegment/TextSegment.php

@@ -2,9 +2,10 @@
 
 namespace PrinsFrank\PdfParser\Document\ContentStream\PositionedText\TextSegment;
 
+use PrinsFrank\PdfParser\Document\CMap\ToUnicode\ToUnicodeCMap;
+use PrinsFrank\PdfParser\Document\Dictionary\DictionaryValue\Array\DifferencesArrayValue;
 use PrinsFrank\PdfParser\Document\Dictionary\DictionaryValue\Name\EncodingNameValue;
 use PrinsFrank\PdfParser\Document\Dictionary\DictionaryValue\TextString\TextStringValue;
-use PrinsFrank\PdfParser\Document\Object\Decorator\Font;
 use PrinsFrank\PdfParser\Exception\ParseFailureException;
 
 readonly class TextSegment {
@@ -13,34 +14,19 @@ public function __construct(
         public int|float|null $offset,
     ) {}
 
-    public function getText(Font $font): string {
-        $text = '';
-        if (str_starts_with($this->textString->textStringValue, '(') && str_ends_with($this->textString->textStringValue, ')')) {
-            $unescapedChars = $this->textString->getBinaryString();
-            if (strlen($unescapedChars) === 1 && ($glyph = $font->getDifferences()?->getGlyph(ord($unescapedChars))) !== null) {
-                $chars = $glyph->getChar();
-            } elseif (in_array($encoding = $font->getEncoding(), [EncodingNameValue::MacExpertEncoding, EncodingNameValue::WinAnsiEncoding], true) && $font->getDifferences() === null) {
-                $chars = $encoding->decodeString($unescapedChars);
-            } elseif (($toUnicodeCMap = $font->getToUnicodeCMap() ?? $font->getToUnicodeCMapDescendantFont()) !== null) {
-                $chars = $toUnicodeCMap->textToUnicode(bin2hex($unescapedChars));
-            } elseif ($encoding !== null) {
-                $chars = $encoding->decodeString($unescapedChars);
-            } else {
-                $chars = $unescapedChars;
-            }
-
-            $text .= $chars;
-        } elseif (str_starts_with($this->textString->textStringValue, '<') && str_ends_with($this->textString->textStringValue, '>')) {
-            $chars = substr($this->textString->textStringValue, 1, -1);
-            if (($toUnicodeCMap = $font->getToUnicodeCMap() ?? $font->getToUnicodeCMapDescendantFont()) !== null) {
-                $text .= $toUnicodeCMap->textToUnicode($chars);
-            } elseif (($encoding = $font->getEncoding()) !== null) {
-                $text .= $encoding->decodeString(implode('', array_map(fn(string $character) => mb_chr((int) hexdec($character)), str_split($chars, 2))));
-            } else {
-                $text .= EncodingNameValue::IdentityH->decodeString($chars);
-            }
+    public function getText(?DifferencesArrayValue $differences, ?EncodingNameValue $encoding, ?ToUnicodeCMap $toUnicodeCMap): string {
+        $binaryString = $this->textString->getBinaryString();
+        if (strlen($binaryString) === 1 && ($glyph = $differences?->getGlyph(ord($binaryString))) !== null) {
+            $text = $glyph->getChar();
+        } elseif (in_array($encoding, [EncodingNameValue::MacExpertEncoding, EncodingNameValue::WinAnsiEncoding], true)
+            && $differences === null) {
+            $text = $encoding->decodeString($binaryString);
+        } elseif ($toUnicodeCMap !== null) {
+            $text = $toUnicodeCMap->textToUnicode(bin2hex($binaryString));
+        } elseif ($encoding !== null) {
+            $text = $encoding->decodeString($binaryString);
         } else {
-            throw new ParseFailureException(sprintf('Unrecognized character group format "%s"', $this->textString->textStringValue));
+            $text = $binaryString;
         }
 
         if ($this->offset !== null && $this->offset < -100) {

tests/Samples/files/issue-235/contents.yml

@@ -1310,9 +1310,9 @@ pages:
        
       Mützen- Erste Dienstgradgruppe ,Feuerwehrfrau oder Feuerwehrmannʻ: 
       kordel 
-      – tzkd,et,cz,cs ,zweiilrfbig
-      k tzsplieodrkkti. 
-      Zwteistar , Brdistindraistʻ: 
+      – Mützenkordel, gedreht, schwarz, Durchmesser 6 mm, an zwei silberfarbig ge-
+      körnten Mützensplinten oder Druckknöpfen befestigt. 
+      Zweite Dienstgradgruppe , Brandmeisterin oder Brandmeisterʻ: 
       – Mützenkordel, gedreht, silberfarbig, Durchmesser 6 mm, an zwei silberfarbig ge-
       körnten Mützensplinten oder Druckknöpfen befestigt. 
       Dritte Dienstgradgruppe , Brandinspektorin oder Brandinspektorʻ: 
@@ -1985,24 +1985,24 @@ pages:
       Teil A  
       Feuerwehrhelmkennzeichnung nach Ausbildung 
       Kennzeichnung Voraussetzung 
-      roter Punkt,  Mitglied mit Abschluss des Ausbildungslehrgangs ,Atemschutzgeräteträgerʻ u 
-      oder  wtAd Atectzrrinn Atectzr
-      schwarzes ,Aʻ  trrwDV 7   
+      roter Punkt,  Mitglied mit Abschluss des Ausbildungslehrgangs ,Atemschutzgeräteträgerʻ und 
+      oder  weitere Anforderungen an Atemschutzgeräteträgerinnen und Atemschutzgeräte-
+      schwarzes ,Aʻ  träger nach der FwDV 7   
       grüner Punkt,  Mitglied mit Abschluss des Ausbildungslehrgangs ,Chemikalienschutzanzugträgerʻ 
-      oder  wtArn AtectzrrinAtectzre-
-      schwarzes ,CSAʻ  trrwDV 7   
+      oder  und weitere Anforderungen Atemschutzgeräteträgerinnen und Atemschutzgeräte-
+      schwarzes ,CSAʻ  träger nach der FwDV 7   
       ein roter Streifen Mitglied mit Abschluss des Ausbildungslehrgangs ,Gruppenführerʻ  
       auf beiden  
       Helmseiten 
-      zwetreifetgli tcs Aldlrg ,Zfrʻ 
-      f 
-      Heit 
-      roti tgliit Acs Aldlrg ,Vsfrʻ  
-      i CkalisctzatrinChikisctzaträristinzzlic 
-      Kchnalstsctzrrindtectzrric frlic 
-      DiKchnfgtctenr Afüu: 
-       Strf: lgnmoch 
-       Ri hh. 
+      zwei rote Streifen Mitglied mit Abschluss des Ausbildungslehrgangs ,Zugführerʻ 
+      auf beiden  
+      Helmseiten 
+      ein roter Ring Mitglied mit Abschluss des Ausbildungslehrgangs ,Verbandsführerʻ  
+      Bei Chemikalienschutzanzugträgerinnen und Chemikalienschutzanzugträgern ist eine zusätzliche 
+      Kennzeichnung als Atemschutzgeräteträgerin oder Atemschutzgeräteträger nicht erforderlich. 
+      Die Kennzeichnung erfolgt in nachstehender Ausführung: 
+      1. Streifen: 70 mm lang und 10 mm hoch 
+      2. Ringe: 10 mm hoch. 
       Teil B  
       Feuerwehrhelmkennzeichnung nach Regelfunktion 
       Kennzeichnung  Voraussetzung