Question

从某些PDF中提取文本时，PDFBox返回乱码。这是因为Unicode映射丢失或损坏。我可以在控制台上看到以下警告。我希望能够检测到这一点，以便将这些PDF标记为损坏。

我正在寻找一种比解析日志更好的解决方案。

感谢您的帮助！

示例控制台日志：

WARNING: No Unicode mapping for CID+32 (32) in font F6
WARNING: Failed to find a character mapping for 32 in TimesNewRoman,Bold

以下提到的帖子也讨论了相同的问题，但没有讨论能够在代码侧检测到此问题并进行相同处理的方法：Issue with reading some unicode characters out of a PDF using PDFBox

Answer 1

第四种可能性（除了Aaron Digulla给出的三种可能性之外）是在扩展showGlyph()类时覆盖PDFTextStripper：

protected void showGlyph(Matrix textRenderingMatrix, PDFont font, int code, String unicode, Vector displacement) throws IOException
{
    super.showGlyph(textRenderingMatrix, font, code, unicode, displacement);
    if (unicode == null || unicode.isEmpty())
    {
        // do stuff
    }
}

Answer 2

我看到这些解决方案，两者都有些混乱。

解决方案1：将自己的过滤器安装到记录器。筛选器可以检查日志消息并设置线程本地标志。调用getText()后检查标志。不要忘记删除该标志，否则您的线程本地地图将被填满。

您可以使用支持MDC的其他方式（例如，登录）来替换公用日志。然后，您可以将标记放在MDC中。

解决方案2：修补PDFbox的来源。在类PDSimpleFont和PDType0Font中添加吸气剂：

public boolean hadEncodingProblems() {
    return !noUnicode.isEmpty();
}

应该有一种方法可以在调用getText()之后获取所有字体。

解决方案3：使用反射读取字段值（对mkl表示敬意）。请注意，这可能会因Java新版本而中断，或者在安装SecurityManager或激活默认版本时中断。

检测PDF中丢失/损坏的Unicode映射

2 个答案: