PdfBox 文本提取无法正常工作答案

【问题标题】：PdfBox text extraction not working properlyPdfBox 文本提取无法正常工作
【发布时间】：2013-11-19 09:45:59
【问题描述】：

PDFTextStripper stripper = new PDFTextStripper();
PDDocument document = PDDocument.load(inputStream);
String text = stripper.getText(document);

如何从这个 pdf 文件中提取正确的文本？

【问题讨论】：

【解决方案1】：

除了@karthik27 的回答：

Adobe Reader 在文本提取方面相当出色，因此通常可以用作指标是否可以从给定文档中提取文本。

因此，每当您有自己的文本提取无法处理的文档时，请在阅读器中打开它并尝试从中复制和粘贴。如果这导致垃圾，很可能是not authored properly for text extraction，无论是错误还是设计。

如果是您的文档，我确实会从 Adobe Reader 中复制和粘贴不可见和特殊字符的半随机集合，例如 you did with PDFBox，即垃圾。因此，很可能只有 OCR 才能从中提取文本。

【讨论】：

碰巧@karthik27 的第二个链接提供了确切的答案：“幸运的是，字体子集通常会留下足够的信息供聪明的文本提取器使用。例如，字形名称通常包含原始字符代码：'T' 的 ASCII 码是 84，字体子集可能使用 'p84' 作为该字符的字形名称。" 虽然字符名称使用 ' C'前缀，而不是'p'。所以，如果 OP 感觉足够强大，他可以在没有 OCR 的情况下处理它。
嗯，我认为他可以手动读取手头文档中的文本并将其键入文本文档，而不是弄清楚这些细节。但事实上，如果它是一个非常长的文档或一个大的、同质的文档集合，那么这种聪明可能是一个优势。

【解决方案2】：

我认为问题是编码.. pdf 文本以不同的格式编码.. 如果您右键单击文档并单击文档属性.. 您可以找到编码。我想下面的链接会给你更多的解释

【讨论】：

【解决方案3】：

原始文件应包含到 Unicode 的映射。这部分不存在，因此您在提取后得到了损坏的文本。

【讨论】：