Question

我对pdfbox 1.8.13有疑问。我试图从一页PDF文档中读取整个文本。 Adobe Reader可以完成这项工作，pdfbox几乎可以读取整个页面，但会对文档的前两行和文档的最后两行进行加扰，以便字母互换。

有人知道如何解决这个问题吗？首先，在哪里问，第二，我如何与你共享PDF，第三，是否有人有可能检查问题是否也存在于pdfbox的2.0.7版本中，我认为这完全不同，因而不是直截了当实施？

提前感谢您的帮助斯蒂芬

Adobe Reader：

<DockPanel>
        <Button DockPanel.Dock="Bottom" Name="btn"  HorizontalAlignment="Center" 
                VerticalAlignment="Bottom"></Button>
</DockPanel>

PDFBOX：

ScalableCapitalHRB217778,AmtsgerichtMünchenSeite1von1 
VermögensverwaltungGmbHUSt-IdNr.DE300434774 
Prinzregentenstr. 
48Geschäftsführung:80538München 
ErikPodzuweit,FlorianPrucker

链接到PDF（我已经确认问题与我上传的未经修改和修改过的PDF相同）：

https://wetransfer.com/downloads/5930649bce9a1d1a686a0da63f1b9bce20170808071518/9b9140

P.S。：与此同时，我也在pdfbox 1.8.13中尝试过PDDocument.loadNonSeq版本，但这导致了同样的问题。

Answer 1

感谢@ tilman-hausherr提供的有用提示。有了它们，我设法调试了我的问题。

你是对的，省略了排序选项（我不知道为什么之前在我正在处理的项目中使用它）解决了加扰问题，即使在pdfbox-1.8.13。你使用pdfbox-2.0.7的文本提取结果给出了更好的结果，你说得对。

我在pdfbox-1.8.13使用的相关Java代码段是：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.PDFTextStripper;
...
PDDocument doc = PDDocument.load(file);
PDFTextStripper textStripper = new PDFTextStripper();
textStripper.setSortByPosition(true);
String text = textStripper.getText(doc);

如果我理解正确，从pdfbox-1.8.13到pdfbox-2.0.7的简单文本提取API不一样，但非常相似，PDFTextStripper刚刚从{{1}移开转到util：

text

要了解所有这些，正如您所说，命令行工具非常有用，以下是使用不同选项（https://pdfbox.apache.org/1.8/commandline.html和https://pdfbox.apache.org/2.0/commandline.html）进行文本提取的结果：

java -jar pdfbox-app-1.8.13.jar ExtractText -sort“20170801 Rechnung.pdf”：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
...
PDDocument doc = PDDocument.load(file);
PDFTextStripper textStripper = new PDFTextStripper();
// textStripper.setSortByPosition(true);
String text = textStripper.getText(doc);

java -jar pdfbox-app-1.8.13.jar ExtractText“20170801 Rechnung.pdf”：

SVecramlaöbgleenCsavpeitrawl HRBPrinzregentenstra.l4tu8ng GmbH GUSest-I
2d1N7r7.7D8E,3A0m0t4s3g4e7ri7c4ht München Seite 1 von 1
80538 München ErikcPhoädftzsufwüheritu,nFglo: rian Prucker

java -jar pdfbox-app-2.0.7.jar ExtractText -sort“20170801 Rechnung.pdf”：

Scalable CapitalVermögensverwaltung GmbHPrinzregentenstr. 4880538 München
HRB 217778, Amtsgericht MünchenUSt-IdNr. DE300434774Geschäftsführung:Erik 
Podzuweit, Florian Prucker
Seite 1 von 1

java -jar pdfbox-app-2.0.7.jar ExtractText“20170801 Rechnung.pdf”

Scalable Capital HRB 217778, Amtsgericht München Seite 1 von 1
Vermögensverwaltung GmbH USt-IdNr. DE300434774
Prinzregentenstr. 48 Geschäftsführung:
80538 München Erik Podzuweit, Florian Prucker

所以我认为Scalable Capital Vermögensverwaltung GmbH Prinzregentenstr. 48 80538 München HRB 217778, Amtsgericht München USt-IdNr. DE300434774 Geschäftsführung: Erik Podzuweit, Florian Prucker Seite 1 von 1在这种情况下给出了最好的结果，特别是没有pdfbox-2.0.7选项，即使我不知道算法为什么表现不同，因为-sort给出了有或没有pdfbox-1.8.3选项的结果相同。

两行的字母互换，Adobe Reader可以完成这项工作

1 个答案: