PDFBOX 没有给出正确的输出

Question

我正在解析 PDFBox 中的 pdf 以从中提取所有文本

public static void main(String args[]) {
    PDFTextStripper pdfStripper = null;
    PDDocument pdDoc = null;
    COSDocument cosDoc = null;
    File file = new File("C:\\Users\\admin\\Downloads\\Airtel.pdf");
    try {
        PDFParser parser = new PDFParser(new FileInputStream(file));
        parser.parse();
        cosDoc = parser.getDocument();
        pdfStripper = new PDFTextStripper();
        pdDoc = new PDDocument(cosDoc);
        pdfStripper.setStartPage(1);
        pdfStripper.setEndPage(1);
        String parsedText = pdfStripper.getText(pdDoc);
        System.out.println(parsedText);
    } catch (IOException e) {
        // TODO Auto-generated catch block
        e.printStackTrace();
    } 
  }

但它没有在输出中给出任何文本 帮助

Answer 1

PDFBox 提取文本的方式类似于 Adob​​e Reader 复制和粘贴文本的方式。

如果您在 Adob​​e Reader 中打开文档并按 标记所有文本（您会看到几乎没有标记任何内容）并将其复制并粘贴到编辑器中，您会发现 Adob​​e Reader 也很难提取任何东西。

PDFBox 和 Adob​​e Reader（或任何其他普通文本提取器）都不能从您的文档中提取文本的原因是其中几乎没有文本！您看到的“文本”不是使用文本绘制操作绘制的，而是通过将每个“字符”的轮廓定义为路径并填充该路径中的区域来绘制的。因此，文本提取器没有任何迹象表明甚至存在文本。

您的文档中实际上有两个字符的真实文本，“以前的余额”和“付款”框之间的“-”号以及“付款”和“调整”框之间的“-”号。甚至这两个字符也没有按需要提取，因为字体没有提供这些字符所代表的 Unicode 代码点的信息。

因此，提取文档文本内容的几乎唯一机会是将 OCR 应用于文档。