Java：如何將PDF寫入文本文件？

Question

當我打開PDF文件並將內容寫入文本文件時，文本文件中的內容被弄亂了。 我認為是因為編碼。 據我了解， JVM將默認字符集設置為Cp1252 （因為我在Windows XP上運行）。 我已經更改了默認字符集，但沒有任何結果（ System.setProperty("file.encoding", "ISO-8859-1"); ）

• 我嘗試使用IText，但是結果內容缺少一些帶有變音符號的字母

有任何想法嗎？

Answer 1

iText無法正確讀取所有字母的原因可能是由於字體使用了編碼。 您可以像這樣聲明字體：

BaseFont bf = BaseFont.createFont(BaseFont.HELVETICA, BaseFont.CP1252, BaseFont.EMBEDDED);

其中BaseFont.CP1252是使用的編碼。 請注意，某些字體不支持所有類型的編碼。

Answer 2

您可以嘗試JavaPDF 。 它有一個API供您完成這項工作。 您可以從PDFReader類調用方法extractTextFromPage(int pageIndex) 。

Answer 3

使用iText幫助程序類PdfTextExtractor應該可以正常工作。 只需在將文件寫入磁盤時檢查是否使用了正確的編碼即可：

OutputStreamWriter out = new OutputStreamWriter( new FileOutputStream(file),"ISO-8859-1") );

Answer 4

iText是用於從頭開始創建pdf的API，但是為了閱讀和編輯現有文件，您可以查看以下鏈接http://www.lowagie.com/iText/

Answer 5

您必須使用專門的軟件包。 我使用的兩個是pdftotext（ http://en.wikipedia.org/wiki/Pdftotext ）和PDFBox（ http://incubator.apache.org/pdfbox/ ）。 即使使用軟件包，也不能總是保證成功，因為某些PDF編寫工具的質量很差，生成的PDF也很差。

Answer 6

我們的PDFTextStream庫為變音符以及Unicode標准中定義的所有字符集（包括水平和垂直書寫模式下的中文，日文和韓文字符）提供了全面的支持。 您可能會發現它在其他工具無法提取的情況下正確提取了變音符。

在某些情況下，當字符被提取到文本中時，看起來與Acrobat之類的PDF閱讀器所顯示的字符不同-在大多數情況下，使用基於圖像的圖像渲染所涉及的文本時，情況最常見字體（顯然不會直接轉換為文本，並且需要進行OCR處理才能得出正確的帶重音符號）。

Answer 7

PDF是二進制文件，因此您不能將其作為文本文件讀取。 您將不得不尋找一些第三方庫來閱讀PDF內容。