使用 Apache POI 和 Apache PDFBox 阅读文档、pdf 文件时出现错误定位的文本框

Question

我正在尝试读取和处理 Java 中的 .doc、.docx、.pdf 文件，方法是使用 Apache POI（用于 doc、docx）和 Apache PDFBox 将它们转换为单个字符串（用于 pdf）库。
在遇到文本框之前它工作正常。 如果格式如下：

第 1 段
文本框 1
第 2 段
文本框 2
第 3 段

那么输出应该是：
第 1 段文本框 1 第 2 段文本框 2 第 3 段
但我得到的输出是：
第 1 段 第 2 段 第 3 段 文本框 1 文本框 2

它似乎是在末尾添加文本框，而不是在它应该在的地方，即段落之间。这个问题在 doc 和 pdf 文件中都有。这意味着 POI 和 PDFBox 这两个库都出现了同样的问题。

读取 pdf 文件的代码是：

void pdf（字符串文件）抛出 IOException { //初始化文件 文件 myFile = 新文件（文件）； PDDocument pdDoc = null; 尝试 { //加载PDF pdDoc = PDDocument.load(myFile); //创建提取器 PDFTextStripper pdf = new PDFTextStripper(); //提取文本 输出 = pdf.getText(pdDoc); } 最后 { 如果（pdDoc！= null） //关闭文档 pdDoc.close(); } }

doc文件的代码是：

无效文档（字符串文件）抛出 FileNotFoundException，IOException { 文件 myFile = null; WordExtractor 提取器 = null ; //初始化文件 我的文件 = 新文件（文件）； //创建文件输入流 FileInputStream fis=new FileInputStream(myFile.getAbsolutePath()); //打开文档 HWPFDocument 文档=新 HWPFDocument(fis); //创建提取器 extractor = new WordExtractor(document); //从文档中获取文本 输出 = extractor.getText(); }

Answer 1

对于 PDFBox，请执行以下操作： pdf.setSortByPosition(true);

Answer 2

试试下面的pdf代码。以类似的方式，您也可以尝试使用 doc。

void extractPdfTexts(String file) {
    File myFile = new File(file);
    String output;
    try (PDDocument pdDocument = PDDocument.load(myFile)) {
        PDFTextStripper pdfTextStripper = new PDFTextStripper();
        pdfTextStripper.setSortByPosition(true);
        output = pdfTextStripper.getText(pdDocument);
        System.out.println(output);
    } catch (InvalidPasswordException e) {
        e.printStackTrace();
    } catch (IOException e) {
        e.printStackTrace();
    }
}