使用ExtractText命令行工具时为空间提取错误的字符

Question

用于提取文件的命令是java -jar pdfbox-app-2.0.7.jar ExtractText -console DiffSzSpaceIssue.pdf。输出相同的是。

This%is%one%
This%is%two%
This%is%three%
This%is%four%

使用PDFDebugger检查pdf。我看到了陷入困境的“％”

的以下条目

Code Glyph Name Unicode Character Glyph
37   1          %                 None

如果有unicodes但字形不存在，请问如何在这种情况下正确提取文本？我期待以下输出，因为“％”字符永远不会在pdf中呈现。

This is one
This is two
This is three
This is four

输入pdf文件为here。

Answer 1

显然有时在某​​些pdf中Unicode映射可能是错误的，在这种情况下，需要删除Unicode映射并重新尝试提取。这个问题清楚地指出了映射错误的地方。 %->None（Unicode-＆gt;字形） https://stackoverflow.com/a/45922162/6935152