使用pdfbox從pdf中提取文本時出錯

Question

樣本pdf

樣本pdf是一份中文簡歷，3頁，使用下面的標准代碼

PDDocument document =  PDDocument.load(new File(path));
PDFTextStripper stripper = new PDFTextStripper();
text = stripper.getText(document);

提取結果如下圖所示，只有一些單詞

Answer 1

如果您運行文本提取代碼並啟用日志記錄，您將看到許多警告：

Feb 12, 2019 5:45:58 PM org.apache.pdfbox.pdmodel.font.PDType0Font toUnicode
WARN: No Unicode mapping for CID+5482 (5482) in font GNPVNR+PingFangSC-Semibold
Feb 12, 2019 5:45:58 PM org.apache.pdfbox.pdmodel.font.PDType0Font toUnicode
WARN: No Unicode mapping for CID+1842 (1842) in font GNPVNR+PingFangSC-Semibold
Feb 12, 2019 5:45:58 PM org.apache.pdfbox.pdmodel.font.PDType0Font toUnicode
WARN: No Unicode mapping for CID+7566 (7566) in font GNPVNR+PingFangSC-Semibold
Feb 12, 2019 5:45:58 PM org.apache.pdfbox.pdmodel.font.PDType0Font toUnicode
WARN: No Unicode mapping for CID+1915 (1915) in font GNPVNR+PingFangSC-Semibold
...

實際上，在檢查PDF時，我們發現嵌入了許多PingFangSC樣式的子集，但每次都是這樣

• 使用ToUnicode地圖，根本沒有任何條目，
• 使用Identity-H編碼，和
• 使用Adobe-Identity-0 ROS ，

即沒有任何字形表示哪個Unicode代碼點的信息。 因此，文本提取結果非常缺乏應該不足為奇。

因此，如果您確實需要提取文本，請要求PDF的來源提供包含所需信息的副本。 如果無法做到這一點，請嘗試OCR。

---

順便說一句，一個好的第一次檢查通常是嘗試從Adobe Reader復制和粘貼文本。 在手頭的情況下，也導致大多數字符丟失。 這通常意味着缺少根據PDF規范提取文本所需的信息。

您還可以在評論中提供的@Tilman鏈接中找到更多背景： https ：//pdfbox.apache.org/2.0/faq.html#text-extraction