使用 Apache PDFBox 从 PDF 中获取文本答案

【问题标题】：Getting text from PDF using Apache PDFBox使用 Apache PDFBox 从 PDF 中获取文本
【发布时间】：2021-01-05 00:36:10
【问题描述】：

我如何获得有关 pdf 结构的信息，我是指文本还是图片？我需要我的程序在其他文件夹中移动没有文本的 pdf，但现在我得到的只是一个空的 txt 文件。

try (FileWriter writer = new FileWriter(outputFile)) {
                PDDocument document = new PDDocument().load(file);
                PDFTextStripper pdfTextStripper = new PDFTextStripper();
                String text = pdfTextStripper.getText(document);
                writer.write(text);
                document.close();
            } catch (IOException e){
                e.printStackTrace();
            }

另外，从保存在 pdf 网页中获取文本时遇到问题。它看起来像：

我认为编码有问题，但不知道该怎么办

【问题讨论】：

"pdf 的结构，我的意思是文本或图片" - 你到底是什么意思？仅仅是文字与图像的比例之类的东西吗？哪种图像，矢量图形或位图？... “我认为编码有问题，但不知道该怎么办” - 通常这样的意思是 pdf 没有包含文本提取所需的数据。您是否测试过从 Adobe Reader 复制和粘贴是否会返回更好的结果？
"pdf 的结构，我的意思是文本或图片" - 我的意思是，pdf 只能包含没有文本的图片，例如保存在 pdf 中的扫描文档。 “您是否测试过从 Adobe Reader 复制和粘贴是否会返回更好的结果？” - 在默认的 ubuntu 文档查看器中测试，没问题
如果由于上述文本提取结果您（几乎）什么也没有，您可以查找图像。请参阅PrintImageLocations PDFBox 示例作为正确图像信息检索的示例。 ... “在默认的 ubuntu 文档查看器中测试，没问题” - 在这种情况下，我们需要一个示例 PDF 来检查。
我刚刚从开发头切换到 2.0.21，但从您的示例 PDF 中提取文本仍然没有问题。啊，我只是可以重现像你这样的图像：输出文本是 UTF-8 编码的，但是通过强制我的文本查看器采用 UTF-16 编码，输出看起来和你的一样。因此，要么将您的文本查看器切换到 UTF-8，要么明确告诉您的 FileWriter 使用 UTF-16。
@mkl，非常感谢，刚刚尝试使用 LibreOffice Writer 打开文档，没关系，我认为是因为特定的字体。再次感谢您！

标签： java pdfbox txt

【解决方案1】：

您的代码工作正常，您的文本查看器假定编码错误。

使用您的代码和与您相同的 PDFBox 版本，我得到正确的提取文本：

但是当我强迫我的查看器采用 UTF-16 编码时，我得到的东西与你得到的非常相似：

文件本身并没有通过 BOM 或任何东西指示任何特定编码：

因此，您的文本查看器要么错误地猜测 UTF-16 编码，要么配置使用它。

因此，要么将您的文本查看器切换为使用 UTF-8，要么明确告诉您的 FileWriter 使用 UTF-16。

根据您的具体安装，文件编码实际上可能不同。不过，由于我的 UTF-16 视图看起来与您的非常相似，因此编码很可能至少类似于 UTF-8，可能是一些 ISO 8859-x...

【讨论】：