Question

样本pdf是中文简历，共3页，使用下面的标准代码

PDDocument document =  PDDocument.load(new File(path));
PDFTextStripper stripper = new PDFTextStripper();
text = stripper.getText(document);

提取结果如下图所示，只有几个词

Answer 1

如果运行文本提取代码并启用日志记录，则会看到许多警告：

Feb 12, 2019 5:45:58 PM org.apache.pdfbox.pdmodel.font.PDType0Font toUnicode
WARN: No Unicode mapping for CID+5482 (5482) in font GNPVNR+PingFangSC-Semibold
Feb 12, 2019 5:45:58 PM org.apache.pdfbox.pdmodel.font.PDType0Font toUnicode
WARN: No Unicode mapping for CID+1842 (1842) in font GNPVNR+PingFangSC-Semibold
Feb 12, 2019 5:45:58 PM org.apache.pdfbox.pdmodel.font.PDType0Font toUnicode
WARN: No Unicode mapping for CID+7566 (7566) in font GNPVNR+PingFangSC-Semibold
Feb 12, 2019 5:45:58 PM org.apache.pdfbox.pdmodel.font.PDType0Font toUnicode
WARN: No Unicode mapping for CID+1915 (1915) in font GNPVNR+PingFangSC-Semibold
...

实际上，在检查PDF时，人们发现嵌入了许多PingFangSC样式子集，但是每次都

具有 ToUnicode 映射，根本没有任何条目，
具有 Identity-H 编码，并且
使用 Adobe-Identity-0 ROS ，

即没有任何信息，哪个字形代表哪个Unicode代码点。因此，完全没有文本提取结果就不足为奇了。

因此，如果您确实需要提取文本，请询问PDF的提供者以提供包含所需信息的副本。如果那不可能，请尝试OCR。

顺便说一句，一个好的第一步检查通常是尝试从Adobe Reader复制和粘贴文本。在当前情况下，这也导致大多数字符丢失。这通常意味着缺少根据PDF规范提取文本所需的信息。

您还将在评论中提供的@Tilman链接中找到更多背景：https://pdfbox.apache.org/2.0/faq.html#text-extraction

使用pdfbox从pdf提取文本时出错

1 个答案: