我正在使用pdfbox以标准的文档方式读取/替换PDF文本，即通过COSString（Tj和TJ运算符）。在对以下PDF文件进行测试之前，它似乎工作正常：
http://www.ocs.fas.harvard.edu/students/materials/resumes_and_cover_letters.pdf
直到第7页它才能正常工作但稍后读取数据的形式很奇怪。以下是几行输出：
S˛˚ R˚˘˚RESUMES AND COVER LETTERSPeter J. Lee : L Q W K U R S 0 D L O & H Q W H U ± & D P E U L G J H 0 D V V D F K X V H W W V ± S M O H H # I D V K D U Y D U G H G X
可能是什么原因？
谢谢， 乌斯曼
答案 0 :(得分：1)
使用标准文档方式读取/替换PDF文本，即通过COSString（Tj和TJ运算符）
遗憾的是，这种“记录方式”非常具有误导性，原因有两个：
它假设 Tj 和 TJ 的字符串参数以某种标准编码进行编码。实际上，编码由字体控制，可能是完全定制的。根据字体类型，编码甚至可以是多字节编码。
当你阅读它们时，它假定字母和整个单词的顺序相同，不间断。这也不是必须的。
PDF不是专为编辑内容而设计的格式。但是，它可以非常容易地完成，但在一般情况下，它很难实现，但实际上很难。
PS：示例文档中的奇怪输出是由于使用 Identity-H 编码使用复合字体而嵌入了TimesNewRoman的子集。
该字体确实包含 ToUnicode 映射;因此，可以将您阅读的内容翻译成字符数据。
替换该文本可能是个问题，因为只嵌入了一个子集;例如大写字母'I'和'J'是不嵌入，除非您使用不同的字体或甚至可能添加到部分字体，否则不能用于替换。这些操作都不像原始代码那么简单。
这不是最容易想象的场景，有时没有关于如何将字符串中的原始数据解释为文本的信息，PDF只知道如何绘制字形。