PDF文件字符在pdf到字符串转换中的坏字符

Question

我正在使用PDFBox 1.8.4将PDF转换为字符串。 例如我的pdf包含：Pólya，G。和G.Szegő， 输出为：Po'lya，G。和G.Szego˝

有没有办法解决这个问题？ （是的，我知道我可以用replaceAll（“o”，“ó”）改变）

   PDDocument doc = PDDocument.load(path);
   PDFTextStripper strp = new PDFTextStripper("UTF-8");
   System.out.println(strp.getText(doc));

欢迎所有建议！

编辑1： PDF_Example

Answer 1

OP提交的文件包含例如：这一行

很可能是他已经确定的问题的样本。

查看页面内容流，

[(A)32(ttila)-384(G\023)575(obi,)-383
(Zal)8(\023)567(an)-383(Sz)-32(})607(ugyi)-384(and)-383
(T)96(am)8(\023)567(as)-384(Kozsik)]TJ

有人看到，例如在(G\023)575(obi,) ó中首先绘制'（ \ 023 ），然后返回该字形的宽度（575） ），然后绘制 o 。

因此，您确实在同一位置打印了这两个字形'和 o ，而不是单个字形ó。

PDFBox PDFTextStripper目前不会合并在同一位置打印的字符，只能删除在同一位置绘制两次的相同字形。

因此，除了OP提到的 replaceAll（“o”，“ó”）之外，还可以在其方法的早期扩展PDFTextStripper以组合某些字形。 processTextPosition或writeString(String text, List<TextPosition> textPositions)后期。{/ p>

Answer 2

问题可能在于PDF文件编码（即编码不是UTF-8）。

提示this question上的PDFBox docuemntaion FAQ。