PDFTextStripper解析錯誤的編碼
[英]PDFTextStripper parsing with wrong encoding
問題描述
PDFTextStripper stripper = new PDFText2HTML(encoding);
String result = stripper.getText(document).trim();
結果包含類似
<!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...
當我將編碼更改為Windows-1252或utf-8時，結果未更改。 錯誤的pdf網址http://www.permaco.ch/fileadmin/user_upload/jobs/Inserat_SeLe_EE_rev.pdf
如何解析這個PDF文件？
1 個解決方案
解決方案1
3 2013-07-15 10:13:30
如何解析這個PDF文件 ？
缺少OCR，您不需要。
所討論的PDF不包含在不進行至少某些OCR（至少OCR對所使用字體的每個字符進行OCR查找從字形到字符的映射）的情況下提取文本所需的信息，這需要附加的庫和代碼。
作為文本提取的要求，PDF規范ISO 32000-1：2008在9.10.2節中正確規定，用於提取文本的字體需要
- 都包含ToUnicode CMap （文檔中使用的字體不包含）
- 或者是使用表118中列出的預定義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字符集的復合字體。 -文檔中使用的字體不是-
- 或者是使用預定義編碼MacRomanEncoding，MacExpertEncoding或WinAnsiEncoding中的一種的簡單字體，或者是其Differences數組僅包含取自Adobe標准拉丁字符集的字符名稱和Symbol字體中的命名字符集的編碼 -文檔中使用的字體既不使用這些預定義編碼之一，也不在其Differences數組中的字符名稱與所提到的那些選擇相同：使用的名稱為/ 0 ， / 1 ，...， / 155 。
通常，一個良好的第一個測試是嘗試使用Adobe Reader復制和粘貼文本，因為Reader的代碼中包含大量的文本提取經驗。 嘗試這樣做時，您會看到只得到垃圾。
HTTP請求解析期間編碼錯誤
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.