Apache PDFBox 无法提取文本，但 PDFBox 调试器正确显示文本？

Question

我无法从 pdf 中提取文本，它显示垃圾字符，但当我使用调试器检查时，它显示正确的文本。

这是 pdf 链接。

假设我正在尝试使用

PDFTextStripper

提取第 9 页，我得到如下输出：

hhhhhhhhhhhhhhhhhhhhhhhIhhIhhhhhhhhhIh]hhhhhIhhIIhhIIIhhhh...

尝试使用 Adobe Reader 复制或使用其他库 Itext、MuPdf 提取时，我也会得到相同的结果。

但是，当通过 PDFBox 调试器检查时，我看到文本正确可见，如下所示（突出显示为红色）：

我不了解上面的 PDF 流语法，但如果 PDFBox 调试器显示正确的文本，为什么 PDFBox 无法正确提取文本？

此外，使用的字体是一种古老的Gurmukhi脚本字体，其中的字形大多在ASCII范围内绘制，因此文本是英文字母。

Answer 1

问题是字体的字符代码映射到 unicode 不正确...

但是，直接在

processTextPosition

中使用字符代码对我来说很有效：

@Override
protected void processTextPosition(TextPosition text)
{
    super.processTextPosition(text);

    // following gives incorrect mapping
    // String unicode = text.getUnicode();

    int[] cc = text.getCharacterCodes();
    String unicode = new String(cc, 0, cc.length);
}

有关 processTextPosition 使用的更多信息，请参阅官方

example

。