pdf在java

时间:2016-06-16 14:30:16

标签: java pdf pdfbox

我在使用pdfbox阅读pdf时遇到了问题。我的实际pdf是部分不可读的,所以当我在编辑器中复制并粘贴不可读的部分时,它会显示小盒子符号,但是当我尝试通过pdfbox读取相同的文件时,这些字符不会被读取(我不会&#39 ;期待他们被阅读)。我期望的是,我至少得到一些符号或一些随机字符而不是实际字符。有没有办法做到这一点。该行已被选中,因此它不是图像。有没有人找到任何解决方法?

有一个pdfbox示例,我们覆盖pdfTextStripper类下的writeString方法以获取一些额外的字体属性。我正在使用该方法来获取我的文本和一些字体属性。 所以我的问题是为什么pdfbox没有读取每个字符(它可能会打印出乱码)。但就我而言,我算了一下。调用该方法的次数(每个方法调用对应于每个字符)并看到没有。方法调用确实与输出文本中的no.of字符匹配,但与总数没有匹配。 pdf中的字符。这是一个样本pdf,单词" Profit"是不可读的,pdf甚至不会显示这个词的乱码,它只是完全跳过它。 这是链接。 https://drive.google.com/file/d/0B_Ke2amBgdpedUNwVTR3RVlRTFE/view?usp=sharing

1 个答案:

答案 0 :(得分:8)

第一个文件“PnL_500010_0314.pdf”

事实上,实际上整条“截至2014年3月31日止年度的损益表”以及更多内容无法提取;检查内容的原因变得很明显:此文本是使用复合字体编写的,该字体既没有编码也没有 ToUnicode 条目,以便识别相关字符。

org.apache.pdfbox.text.PDFTextStreamEngine方法PDFTextStripper方法showGlyph在调用processTextPosition之前不久(PDFTextStripper实现并从中检索其文本信息)包含此代码:

// use our additional glyph list for Unicode mapping
unicode = font.toUnicode(code, glyphList);

// when there is no Unicode mapping available, Acrobat simply coerces the character code
// into Unicode, so we do the same. Subclasses of PDFStreamEngine don't necessarily want
// this, which is why we leave it until this point in PDFTextStreamEngine.
if (unicode == null)
{
    if (font instanceof PDSimpleFont)
    {
        char c = (char) code;
        unicode = new String(new char[] { c });
    }
    else
    {
        // Acrobat doesn't seem to coerce composite font's character codes, instead it
        // skips them. See the "allah2.pdf" TestTextStripper file.
        return;
    }
}

有问题的字体没有提供任何文字提取线索。因此,unicode此处为null

此外,字体是复合的,而不是简单的。因此,执行else子句,甚至不调用processTextPosition

因此,{p> PDFTextStripper根本没有告知“截至2014年3月31日止年度的损益表”这一行甚至存在!

如果替换

    else
    {
        // Acrobat doesn't seem to coerce composite font's character codes, instead it
        // skips them. See the "allah2.pdf" TestTextStripper file.
        return;
    }
某些代码设置PDFTextStreamEngine.showGlyphunicode

,例如使用Unicode替换字符

    else
    {
        // Use the Unicode replacement character to indicate an unknown character
        unicode = "\uFFFD";
    }

你会得到

57
THIRTY SEVENTH ANNUAL REPORT 2013-14
STANDALONE FINANCIAL STATEMENTS
�������������������������������������������������������������
As per our report attached. Directors
For Deloitte Haskins & Sells LLP Deepak S. Parekh Nasser Munjee R. S. Tarneja
Chartered Accountants �������� B. S. Mehta J. J. Irani
D. N. Ghosh Bimal Jalan
Keki M. Mistry S. A. Dave D. M. Sukthankar
Sanjiv V. Pilgaonkar ���������������
Partner �����������������������
Renu Sud Karnad V. Srinivasa Rangan Girish V. Koliyote
������, May 6, 2014 Managing Director ������������������ �����������������
Notes Previous Year
� in Crore � in Crore
INCOME
����������������������� 23  23,894.03  20,796.95 
���������������������������� 24  248.98  315.55 
������������ 25  54.66  35.12 
Total Revenue  24,197.67  21,147.62 
EXPENSES
Finance Cost 26  16,029.37  13,890.89 
�������������� 27  279.18  246.19 
���������������������� 28  86.98  75.68 
�������������� 29  230.03  193.43 
������������������������������ 11 & 12  31.87  23.59 
Provision for Contingencies  100.00  145.00 
Total Expenses  16,757.43  14,574.78 

PROFIT BEFORE TAX  7,440.24  6,572.84 
�����������
�������������  1,973.00  1,727.68 
�������������� 14  27.00  (3.18)
PROFIT FOR THE YEAR 3  5,440.24  4,848.34 
EARNINGS PER SHARE��������������� 2) 31
- Basic 34.89 31.84
- Diluted 34.62 31.45
�������������������������������������������������������������

不幸的是PDFTextStreamEngine.showGlyph方法使用了一些私有类成员。因此,不能简单地使用原始方法代码在一个人自己的PDFTextStripper类中覆盖它,并带有上面指出的更改。要么必须在一个人自己的类中复制PDFTextStreamEngine的几乎所有功能,要么必须使用Java反射,或者必须自己修补PDFBox类。

这种架构并不完美。

第二个文件“Bal_532935_0314.pdf”

第二个文件的情况是由上面引用的同一段PDFBox代码引起的。但是,这次,字体很简单,执行另一个代码块:

    if (font instanceof PDSimpleFont)
    {
        char c = (char) code;
        unicode = new String(new char[] { c });
    }

这里发生的是纯粹的猜测:如果没有将字形代码映射到Unicode的信息,我们假设映射是Latin-1,它简单地嵌入到char中。由于在OP的第二个文件中可见,这个假设并不总是成立。

如果您不希望PDFBox在此处做出类似这样的假设,请同时替换上面的if

    if (font instanceof PDSimpleFont)
    {
        // Use the Unicode replacement character to indicate an unknown character
        unicode = "\uFFFD";
    }

这导致

Aries Agro Care Private Limited
1118th Annual Report 2013-14
Balance Sheet as at 31st March, 2014
Particulars Note
No.
 As at 
31 March, 2014
Rupees
 As at
31 March, 2013
Rupees
I. EQUITY AND LIABILITIES
(1) Shareholder's Funds
(a) ������������� 3  100,000  100,000
(b) Reserves and Surplus 4  (2,673,971) ������������
 (2,573,971) ������������
(2) Current Liabilities
(a) Short Term Borrowings 5  5,805,535 �����������
(b) Trade Payables 6  159,400 ���������
(c) ������������������������� 7  2,500  22,743 
 5,967,435  5,934,756 
TOTAL  3,393,464 �����������
II. ASSETS
(1) Non-Current Assets
(a) �������������������� �  - -
 - -
(2) Current Assets
(a) ����������������������� 9  39,605 �������
(b) ����������������������������� 10  3,353,859 ����������
 3,393,464 ����������
TOTAL  3,393,464 ����������
��������������������������������
The Notes to Accounts 1 to 23 form part of these Financial Statements
As per our report of even date For and on behalf of the Board
For Kirti D. Shah & Associates 
��������������������� 
�����������������������������
Dr. Jimmy Mirchandani
Director
Kirti D. Shah 
Proprietor 
Membership No 32371
Dr. Rahul Mirchandani 
Director
Place : Mumbai. 
Date :- 26th May, 2014.