使用PDFBox

Question

所以我试图从PDF文件中提取英语和印地语文本。正确提取英文文本。但是当我尝试提取印地语文本时，一些字符被圆/正方形替换。 我将印地语文本片段直接从PDF文件复制到Word文档，并为一些字符获得相同的正方形。

PDFBox版本：2.0.7

PDF版本：1.6（Acrobat 7.x）

安全细节（PDF）：

字体详情：

我无法附加PDF，但这里是PDF文件的片段（Adobe Acrobat Reader）。

注意：我画了黑条，因为它包含某人的地址。

使用PDFBox提取的文本输出：

पता：कालकाजी，दिणिदी，िदी - 110019

从上面的PDFBox文本提取输出可以看出，有些字符被圆圈取代。当我手动从PDF复制到word文档时，也会发生同样的情况。

我也尝试过tesseract OCR，但这会产生更糟糕的输出。我想知道我可以尝试的其他任何选项吗？

例如，使用PDFBox提取数据，而不是文本而是图像？

编辑：：还收到以下警告。

  

03：58：38.711 [main] WARN o.a.pdfbox.pdmodel.font.PDType0Font - No   字体Lohit-Devanagari中CID + 26（26）的Unicode映射