如何使用 itext 阅读 pdf？答案

【问题标题】：How can i read pdf with itext?如何使用 itext 阅读 pdf？
【发布时间】：2018-05-08 10:01:29
【问题描述】：

现在我有错误：2018 年 5 月 8 日 12:27:47 PM toUnicode

警告：字体中没有 CID+88 (88) 的 Unicode 映射 404198E5f54TimesNewRoman

结果为空。如果需要，我可以提供一个文件。

【问题讨论】：

欢迎来到 Stack Overflow！请更详细地描述您在看到错误消息时所做的操作。
@werner 还提到了使用的 iText 版本，因为文本提取在过去几年中得到了改进。 iText 5.0.0 中出现的一些错误在 iText 7.1.2 中不再出现。
drive.google.com/file/d/1T906GnzJcoPHr-wO5v2Mvd9fGncOueVm/... 我同意使用任何版本的 itext。 itext 不给出警告。它只给出空结果
欢迎来到 Stack Overflow！寻求调试帮助的问题（“为什么这段代码不起作用？”）必须包括所需的行为、特定的问题或错误以及在问题本身中重现它所需的最短代码。没有明确问题陈述的问题对其他读者没有用处。请参阅：如何创建 minimal reproducible example。使用edit 链接改进您的问题 - 不要通过 cmets 添加更多信息。谢谢！

标签： java pdf itext

【解决方案1】：

您的示例 PDF 不包含提取文本所需的信息。

文档使用具有特殊编码的子集字体：页面上使用的相应字体的第一个字形由某个起始值 n 编码，下一个使用，n+1 的不同字形，下一个使用， n+2,...的不同字形...

例如第一个单词被十六进制编码为000a 000b 000c 000d 000e 000f 0010，第二个单词加上冒号0011 0012 0013 000c 000d 0010 0014 0015 0016。您可以识别第二个单词中的代码000c、000d和0010，对应于第一个单词中已经使用过的字形。

显然这种没有任何额外信息的编码不允许文本提取，程序应该如何将这些值映射到 Unicode？p>

PDF 格式确实具有包含从这些编码值到 Unicode 的映射的选项，但不幸的是，您文件中的字体不包含此类映射。

因此，您的文件不允许文本提取，您需要改用 OCR。

【讨论】：

换句话说：我的回答是正确的，一旦你分享了 PDF，mkl 就能证明这一点。

【解决方案2】：

带有文本的 PDF 包含在页面上绘制字形的语法。这些字形的形状存储在字体中。页面使用的语法使用字符来指代字形。

例如：

12334 54637

是一种可能的表示：

Hello World

您有以下映射：

`1` = `H`
`2` = `e`
`3` = `l`
`4` = `0`
` ` = ` `
`5` = `W`
`6` = `r`
`7` = `d`

当您以人类的身份查看页面时，您会看到“Hello World”，但是当机器查看页面的语法时，它会看到“12334 54637”，如果您在没有提取内容的情况下提取内容，这也是使用toUnicode 映射。

我刚才描述的映射（1 = H, 2 = e, 3 = l,...）存储在一个映射页面中使用的字符的对象中带有 Unicode 字符。如果缺少该地图，则无法正确提取内容。

您提到的错误 No Unicode mapping for CID+88 (88) in font 404198E5f54TimesNewRoman 通知您 PDF 中缺少信息，因此您无法获得可靠的结果。您可以用肉眼看到正确的文本，但机器无法将文本解析为有用的字符串。

如果这个答案不能让您满意，请分享 PDF，以便我们证明这个答案是正确的。另外：您没有提及您使用的是哪个版本的 iText。与较新的版本（iText 7.1.2 是最新版本）相比，较旧的版本通常不擅长提取文本。

【讨论】：

drive.google.com/file/d/1T906GnzJcoPHr-wO5v2Mvd9fGncOueVm/… 我同意使用任何版本的 itext。 itext 不给出警告。它只给出空结果
查看@mkl 的答案：我的解释正是您遇到的问题。 PDF 的创建方式不允许提取文本。
您必须将指向文件的链接放在问题本身中，而不是在答案下方的评论中。