Question

我正在尝试使用Apache PDFBox 1.8.4从PDF中提取文本 - 我的代码如下：

public static void main(String[] args) throws Exception {

        PDDocument pdfDocument = PDDocument.load(new File("rep.pdf"));
        PDFTextStripper stripper = new PDFTextStripper();
        String s =  stripper.getText(pdfDocument);
        System.out.println(s);
        pdfDocument.close();
    }

要转换的pdf：https://www.dropbox.com/s/t35rr23v4383yvt/Form-V-report.pdf?dl=0

但是有这样的追逐：

!"#$%&'()*$+,)!'-,./+/
0+12)3$#'(,,)451#+('1)65+7(,+'(/
!"#$%&'(
)*+,-.##(',/$.0
123.4.5,67,,89:;+
<3$'(=,>:++?,*99%@AB)

任何解决方案？

提前 - 谢谢。

Answer 1

Adobe集成了PDF混淆，可以由PDF的创建者启用。我无法确切地记得它是如何工作的，但是如果您使用任何在线PDF文本提取工具，或者如果您尝试复制并粘贴文本，您会发现类似的问题。

您可能需要：

A）要求没有启用此功能的副本

或

B）需要对其工作方式进行逆向工程，并利用这些知识对其进行逆转。

我有一种感觉A是正确的答案

使用Apache PDFBox提取文本错误的字符？

1 个答案: