使用 pdfbox 2.0.8 时块类型无效答案

【问题标题】：Invalid block type while using pdfbox 2.0.8使用 pdfbox 2.0.8 时块类型无效
【发布时间】：2017-11-27 16:29:54
【问题描述】：

我正在尝试使用 PDFBox 从 PDF 中获取文本，但遇到了异常。这是我用来进行文本剥离的代码。

  try
  {
     PDDocument document = PDDocument.load(decodedPdfDocument.getBytes());
     PDFTextStripper Tstripper = new PDFTextStripper();
     String st = Tstripper.getText(document);
     System.out.println("Text:" + st);
  }
  catch (Exception e)
  {
     e.printStackTrace();
  }

这是我得到的例外。

java.io.IOException: java.util.zip.DataFormatException: invalid block type
    at org.apache.pdfbox.filter.FlateFilter.decode(FlateFilter.java:83)
    at org.apache.pdfbox.cos.COSInputStream.create(COSInputStream.java:69)
    at org.apache.pdfbox.cos.COSStream.createInputStream(COSStream.java:167)
    at org.apache.pdfbox.pdmodel.PDPage.getContents(PDPage.java:155)
    at org.apache.pdfbox.pdfparser.PDFStreamParser.<init>(PDFStreamParser.java:91)
    at org.apache.pdfbox.contentstream.PDFStreamEngine.processStreamOperators(PDFStreamEngine.java:485)
    at org.apache.pdfbox.contentstream.PDFStreamEngine.processStream(PDFStreamEngine.java:469)
    at org.apache.pdfbox.contentstream.PDFStreamEngine.processPage(PDFStreamEngine.java:150)
    at org.apache.pdfbox.text.LegacyPDFStreamEngine.processPage(LegacyPDFStreamEngine.java:139)
    at org.apache.pdfbox.text.PDFTextStripper.processPage(PDFTextStripper.java:391)
    at org.apache.pdfbox.text.PDFTextStripper.processPages(PDFTextStripper.java:319)
    at org.apache.pdfbox.text.PDFTextStripper.writeText(PDFTextStripper.java:266)
    at org.apache.pdfbox.text.PDFTextStripper.getText(PDFTextStripper.java:227)
    at com.cerner.fsi.testing.xds.provideandregister.ClinicalEventInErrorTest.testProvideAndRegisterCDAWrappedDocument_ClinicalEventInError(ClinicalEventInErrorTest.java:117)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:606)
    at org.junit.runners.model.FrameworkMethod$1.runReflectiveCall(FrameworkMethod.java:44)
    at org.junit.internal.runners.model.ReflectiveCallable.run(ReflectiveCallable.java:15)
    at org.junit.runners.model.FrameworkMethod.invokeExplosively(FrameworkMethod.java:41)
    at org.junit.internal.runners.statements.InvokeMethod.evaluate(InvokeMethod.java:20)
    at org.junit.internal.runners.statements.RunBefores.evaluate(RunBefores.java:28)
    at org.springframework.test.context.junit4.statements.RunBeforeTestMethodCallbacks.evaluate(RunBeforeTestMethodCallbacks.java:74)
    at org.junit.internal.runners.statements.RunAfters.evaluate(RunAfters.java:31)
    at org.springframework.test.context.junit4.statements.RunAfterTestMethodCallbacks.evaluate(RunAfterTestMethodCallbacks.java:83)
    at org.springframework.test.context.junit4.statements.SpringRepeat.evaluate(SpringRepeat.java:72)
    at org.springframework.test.context.junit4.SpringJUnit4ClassRunner.runChild(SpringJUnit4ClassRunner.java:231)
    at org.springframework.test.context.junit4.SpringJUnit4ClassRunner.runChild(SpringJUnit4ClassRunner.java:88)
    at org.junit.runners.ParentRunner$3.run(ParentRunner.java:193)
    at org.junit.runners.ParentRunner$1.schedule(ParentRunner.java:52)
    at org.junit.runners.ParentRunner.runChildren(ParentRunner.java:191)
    at org.junit.runners.ParentRunner.access$000(ParentRunner.java:42)
    at org.junit.runners.ParentRunner$2.evaluate(ParentRunner.java:184)
    at org.junit.internal.runners.statements.RunBefores.evaluate(RunBefores.java:28)
    at org.springframework.test.context.junit4.statements.RunBeforeTestClassCallbacks.evaluate(RunBeforeTestClassCallbacks.java:61)
    at org.springframework.test.context.junit4.statements.RunAfterTestClassCallbacks.evaluate(RunAfterTestClassCallbacks.java:71)
    at com.cerner.fsi.testing.xds.EnterpriseClientSpringJUnit4ClassRunner$1$1.run(EnterpriseClientSpringJUnit4ClassRunner.java:50)
    at com.cerner.fsi.testing.xds.EnterpriseClientSpringJUnit4ClassRunner$1$1.run(EnterpriseClientSpringJUnit4ClassRunner.java:1)
    at java.security.AccessController.doPrivileged(Native Method)
    at javax.security.auth.Subject.doAs(Subject.java:356)
    at com.cerner.fsi.testing.xds.EnterpriseClientSpringJUnit4ClassRunner$1.evaluate(EnterpriseClientSpringJUnit4ClassRunner.java:43)
    at org.junit.runners.ParentRunner.run(ParentRunner.java:236)
    at org.springframework.test.context.junit4.SpringJUnit4ClassRunner.run(SpringJUnit4ClassRunner.java:174)
    at org.eclipse.jdt.internal.junit4.runner.JUnit4TestReference.run(JUnit4TestReference.java:86)
    at org.eclipse.jdt.internal.junit.runner.TestExecution.run(TestExecution.java:38)
    at org.eclipse.jdt.internal.junit.runner.RemoteTestRunner.runTests(RemoteTestRunner.java:459)
    at org.eclipse.jdt.internal.junit.runner.RemoteTestRunner.runTests(RemoteTestRunner.java:678)
    at org.eclipse.jdt.internal.junit.runner.RemoteTestRunner.run(RemoteTestRunner.java:382)
    at org.eclipse.jdt.internal.junit.runner.RemoteTestRunner.main(RemoteTestRunner.java:192)
Caused by: java.util.zip.DataFormatException: invalid block type
    at java.util.zip.Inflater.inflateBytes(Native Method)
    at java.util.zip.Inflater.inflate(Inflater.java:259)
    at java.util.zip.Inflater.inflate(Inflater.java:280)
    at org.apache.pdfbox.filter.FlateFilter.decompress(FlateFilter.java:108)
    at org.apache.pdfbox.filter.FlateFilter.decode(FlateFilter.java:74)
    ... 49 more

我已经通过验证运行了 PDF，它是有效的 1.4 PDF。我还可以使用 Foxit 和 Acrobat 前端工具提取文本。不太清楚我在这里做错了什么，这是我第一次使用这个 API。

【问题讨论】：

可能是编码错误。您是否尝试过为您的库指定文件的实际编码？
我尝试改用decodedPdfDocument.getBytes("UTF-8")，但我得到了同样的错误。 decodedPdfDocument 来自解码 Base64 字符串。我正在使用 new String(Base64.decode(documentString), "UTF-8"); 创建一个新字符串
dropbox.com/s/xjeksj0cay4x3vo/NoTemplateInError.pdf?dl=0
它工作正常。不要将 PDF 存储在字符串中。 PDDocument.load(Base64.decode(documentString)) 应该是您所需要的。见docs.oracle.com/javase/8/docs/api/java/util/…
我也无法重现该问题。如果decodedPdfDocument 确实是String，那么@Tilman 很可能已经发现了错误。永远不要将二进制内容（如 PDF）视为文本！

标签： java pdf pdfbox

【解决方案1】：

根据 OP 的评论

decodedPdfDocument 来自解码 Base64 字符串。我正在使用new String(Base64.decode(documentString), "UTF-8");创建一个新字符串

这是错误。永远不要将二进制内容（如 PDF）视为文本！而是让解码后的 PDF 文档保持为byte[]：

documentString = [...your base64 encoded PDF ...];
byte[] decodedPdfDocument = Base64.decode(documentString);
...
PDDocument document = PDDocument.load(decodedPdfDocument);
PDFTextStripper textStripper = new PDFTextStripper();
String st = textStripper.getText(document);

作为背景：当你做类似的事情时

String string = new String(bytes, encoding);

对于byte[] bytes，您的bytes 被解码，假设它们包含使用encoding 编码为字节的文本。

如果您的bytes 不是使用encoding 编码的文本，则此过程可能具有破坏性，根据假定编码没有意义的字节序列将被转换为String 中的替换字符。当您稍后使用 getBytes() 从字符串中检索字节时，您将检索替换字符的表示而不是原始字节序列。

【讨论】：