Java – PDFBox – 文本提取

发布时间：2020-12-14 19:11:51 所属栏目：Java 来源：网络整理

导读：我一直在使用pdfbox从PDF中提取文本信息.我成功地解析了文本的所有属性,如fontname,fontface,size,position等. 问题：我使用的是pdfbox1.2.1(最新版本). TextPosition类中的getCharacter()返回除最后一个字符之外的完整字符串.最后一个字符被解析为单独的字

我一直在使用pdfbox从PDF中提取文本信息.我成功地解析了文本的所有属性,如fontname,fontface,size,position等.

问题：我使用的是pdfbox1.2.1(最新版本). TextPosition类中的getCharacter()返回除最后一个字符之外的完整字符串.最后一个字符被解析为单独的字符串.

例如：“你好吗”被解析为“如何哟”和“你”(2个单独的字符串).

我不希望它发生那种方式..

有没有人来过这个？ ..我做错了什么??等待回复..

感谢致敬,
Magggi

最佳答案

这个问题解决了.

PDFStreamEngine.java中的processEncodedText(byte [] string)中的以下代码

if( spacingText == 0 && (i + codeLength) < (string.length - 1) )
{
    continue;
}

应改为

if( spacingText == 0 && (i + codeLength) < (string.length) )
{
    continue;
}

问候,
炸面

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!