当我尝试阅读 PDF 时，PDFBox 读取一个空字符串

Question

我正在尝试使用 pdf 框从文件中读取文本，以便在文件系统中对其进行排序。我正在使用 C#。我可以从互联网上阅读示例 pdf，但由于某种原因，我尝试从中读取的 pdf 仅返回一个没有实际字符的字符串。这是我正在使用的代码：

using org.apache.pdfbox.pdmodel;
using org.apache.pdfbox.util;
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;

namespace PDFBoxTest
{
    class Program
    {
        static void Main(string[] args)
        {
            string fileName = @"C:\Users\Development\Desktop\purchaseOrder.pdf";

            PDDocument doc = null;
            try
            {
                doc = PDDocument.load(fileName);
                PDFTextStripper stripper = new PDFTextStripper();
                Console.WriteLine(stripper.getText(doc));   
            }
            finally

            {
                if (doc != null)
                {
                    doc.close();
                }
            }

            Console.ReadLine();
       }
   }
}       

这是对我不起作用的 pdf 链接。一个已保存，另一个是使用“字母”设置打印的。

提前致谢！ https://drive.google.com/drive/folders/1iSadM0ikdrhHsvemNVdyEl3BeTIhm39U?usp=sharing

Answer 1

您的 PDF 不包含任何文本。

是的，当您在查看器中打开 PDF 时，您会看到文本。但是此文本不是使用 PDF 中的 文本绘制指令 生成的，而是使用 路径绘制指令 生成的，即您看到的每个字母都是使用一组曲线和定义相应字母轮廓的线条，然后用颜色填充。

因此，您的 PDF 不包含任何文本，而是包含许多任意小的填充路径。

另一方面，文本提取通过分析文本绘制指令来工作，该指令作为参数包含有问题的编码文本。因此，文本提取不会在您的 PDF 中找到任何文本。

您的 PDF 中使用的技术实际上通常用于防止他人提取其 PDF 的文本内容，无论是使用文本提取类（如 PDFTextStripper），还是使用 PDF 中的复制和粘贴查看器，或为视障用户使用屏幕阅读器等辅助技术。

因此，对于此类 PDF，您必须求助于通用 OCR（即将 PDF 渲染为位图图像并将标准 OCR 应用程序应用于图像）或专用 OCR（即一些自定义程序获取路径定义并尝试从路径定义中识别字符）。

我不知道后一种类型的任何程序，我只是认为如果必须处理许多此类 PDF，它可能是一种明智的方法。