PDFTextStripper解析错误的编码
[英]PDFTextStripper parsing with wrong encoding
问题描述
PDFTextStripper stripper = new PDFText2HTML(encoding);
String result = stripper.getText(document).trim();
结果包含类似
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
"http://www.w3.org/TR/html4/loose.dtd"> <html><head><title>Inserat
SeLe EE rev</title> <meta http-equiv="Content-Type"
content="text/html; charset=utf-8"> </head> <body> <div
style="page-break-before:always;
page-break-after:always"><div><p>�&#...
代替
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"
"http://www.w3.org/TR/html4/loose.dtd"> <html><head><title>Inserat
SeLe EE rev</title> <meta http-equiv="Content-Type"
content="text/html; charset=utf-8"> </head> <body> <div
style="page-break-before:always; page-break-after:always"><div><p>any
blablabla characters...
当我将编码更改为Windows-1252或utf-8时，结果未更改。 错误的pdf网址http://www.permaco.ch/fileadmin/user_upload/jobs/Inserat_SeLe_EE_rev.pdf
如何解析这个PDF文件？
1 个解决方案
解决方案1
3 2013-07-15 10:13:30
如何解析这个PDF文件 ？
缺少OCR，您不需要。
所讨论的PDF不包含在不进行至少某些OCR（至少OCR对所使用字体的每个字符进行OCR查找从字形到字符的映射）的情况下提取文本所需的信息，这需要附加的库和代码。
作为文本提取的要求，PDF规范ISO 32000-1：2008在9.10.2节中正确规定，用于提取文本的字体需要
- 都包含ToUnicode CMap （文档中使用的字体不包含）
- 或者是使用表118中列出的预定义CMap之一（Identity–H和Identity–V除外）或其后代CIDFont使用Adobe-GB1，Adobe-CNS1，Adobe-Japan1或Adobe-Korea1字符集的复合字体。 -文档中使用的字体不是-
- 或者是使用预定义编码MacRomanEncoding，MacExpertEncoding或WinAnsiEncoding中的一种的简单字体，或者是其Differences数组仅包含取自Adobe标准拉丁字符集的字符名称和Symbol字体中的命名字符集的编码 -文档中使用的字体既不使用这些预定义编码之一，也不在其Differences数组中的字符名称与所提到的那些选择相同：使用的名称为/ 0 ， / 1 ，...， / 155 。
通常，一个良好的第一个测试是尝试使用Adobe Reader复制和粘贴文本，因为Reader的代码中包含大量的文本提取经验。 尝试这样做时，您会看到只得到垃圾。
HTTP请求解析期间编码错误
声明:本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.