Question

将iText程序替换为PDFBox程序以读取pdf文件。

            public static void main(String[] args) {  

                // TODO Auto-generated method stub 
                PDDocument     pd;  
                BufferedWriter wr;  

                try {  
                    File input = new File("C:\\test\\ExtractTextFromThis.pdf");    // The PDF file from where you would like to extract  
                    File output = new File("C:\\test\\OutPut.txt");    // The text file where you are going to store the extracted data

//加载文档。

                    pd = PDDocument.load(input);  // load document
                    pd.setAllSecurityToBeRemoved(true);

//尝试检查语言

                        System.out.println(pd.getDocumentCatalog().getLanguage());
                        PDFTextStripper stripper = new PDFTextStripper("UTF-8");  // Initializing PDFTextStripper Object with UTF-8 encoding.

       //          PDFTextStripperByArea stripper = new PDFTextStripperByArea("UTF-16");
                    // Please provide example for this. In attached document,I want to extract text from rectangle. There are 30 boxes.

                    wr = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(output)));  
                    stripper.writeText(pd, wr);
                    System.out.println(stripper.getText(pd));  
                    String text = stripper.getText(pd);  
                    char[] cArr = text.toCharArray();  

// Here is the problem. It's not printing characters of Kannada language within its UTF Range. 
//printing chracters -- their integer value --  their Hexadecimal value  
                    for (int i = 1; i < 130; i++) {  
                        System.out.println(cArr[i] + "\t" + (int) cArr[i] + "\t" + Integer.toHexString(cArr[i]));  
                    }  

                    if (pd != null) {  
                        pd.close();  
                    }  

                    wr.close();  
                } catch (Exception e) {  
                    e.printStackTrace();  
                }  
            }

Answer 1

您似乎认为iText的缺点实际上是您的算法中提取页面内容的误解：

您假设内容流中的字符串实际上是Unicode编码的。它们不必是，通常特别是非ASCII字符不是。翻译信息（如果有的话！）包含在字体词典中。

此外，您假设所有文本字符串都直接包含在内容流中。这不一定是真的：内容流可以引用其他对象，而这些对象又可以包含您的代码无法找到的文本。

并且您还假设页面的内容条目是单个间接流。它实际上也可以是它们的数组。

我建议你切换到在解析器包中使用iText的文本解析类，它会考虑所有这些事情和更多的东西。

PDFBox程序不能从pdf中正确读取非英文字符

1 个答案: