【发布时间】：2011-09-17 11:06:28
【问题描述】：
我正在使用 pdfbox api 从 pdf 中提取文本。
我的程序运行良好它实际上是从 pdf 中提取文本，但 pdf 中文本的问题字体是 CDAC-GISTSurekh(Hindi font) 并且我的程序的输出与 曼格拉。
它甚至不匹配 pdf 中的文本。
我下载了相同的字体，即 CDAC-GISTSurekh（印地语字体）并将其添加到我的计算机字体中，但输出仍然是 Mangla 格式。
有什么方法可以在解析时更改输出字体。
感谢任何帮助..
我写的代码：
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import org.apache.pdfbox.cos.COSDocument;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.PDFTextStripper;
public class PDFTextParser {
static String pdftoText(String fileName) {
PDFParser parser;
String parsedText = null;
PDFTextStripper pdfStripper = null;
PDDocument pdDoc = null;
COSDocument cosDoc = null;
File file = new File(fileName);
if (!file.isFile()) {
System.out.println("File " + fileName + " does not exist.");
return null;
}
try {
parser = new PDFParser(new FileInputStream(file));
} catch (IOException e) {
System.out.println("Unable to open PDF Parser. " + e.getMessage());
return null;
}
try {
parser.parse();
cosDoc = parser.getDocument();
pdfStripper = new PDFTextStripper();
pdDoc = new PDDocument(cosDoc);
pdfStripper.setStartPage(1);
pdfStripper.setEndPage(5);
parsedText = pdfStripper.getText(pdDoc);
} catch (Exception e) {
e.printStackTrace();
System.out.println("An exception occured in parsing the PDF Document."+ e.getMessage());
} finally {
try {
if (cosDoc != null)
cosDoc.close();
if (pdDoc != null)
pdDoc.close();
} catch (Exception e) {
e.printStackTrace();
}
}
return parsedText;
}
public static void main(String args[]){
System.out.println(pdftoText("J:\\Users\\Shantanu\\Documents\\NetBeansProjects\\Pdf\\src\\PDfman\\A0410001.pdf"));
}
}
【问题讨论】：
-
您是否正在尝试阅读投票列表。如果是，那么我发现的一件事是文本是图像格式，因此很难解析。我也在尝试做同样的事情事情。你解析成功了吗？