[英]PDFTextStripper parsing with wrong encoding
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?
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
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。
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.