使用itextpdf提取的英文文本无法理解

Question

我试图从控制台上的pdf中提取并打印英文文本。使用PdfTextExtractor类通过itextpdf
API进行提取。我收到的文字无法理解。可能是我面临的一些语言问题。我的目的是在PDF中找到特定的文本并将其替换为其他字符串。我首先分析文件以查找字符串。以下代码段代表我的字符串提取器：

Document document = new Document();

PdfWriter writer = PdfWriter.getInstance(document,
    new FileOutputStream(OUTPUTFILE));
document.open();
PdfReader reader = new PdfReader(input);
int n = reader.getNumberOfPages();
PdfImportedPage page;
// Go through all pages
for (int i = 1; i <= n; i++) {

    String str=PdfTextExtractor.getTextFromPage(reader, i); 
    System.out.println(str);

}
document.close();

但是即使PDF中的文本为英文，我在控制台上得到的输出也无法理解。

输出：

在其他情况下，请在第109页上的tecnennna
mntoafinir耶鲁大学和Retila律师事务所。鲁尼·唐纳德·埃斯泰·奥尔普维迪·埃德达·埃拉夫·奥德瓦夫·拉洛恩·纳洛斯·拉乌滕布科·拉托滕克斯·卡普尔·拉普顿·科普尔
纳米比亚 罗斯·塞拉斯·塞西·埃尔沃斯

rtasp”。

有人可以帮我解决在源PDF中带来英语文字的可能解决方案吗？任何帮助将不胜感激。

Answer 1

如果要根据文本在页面上的位置对文本进行排序，则需要引入一种特定的策略，例如LocationTextExtractionStrategy：

for (int i = 1; i <= reader.getNumberOfPages(); i++) {
    String str=PdfTextExtractor.getTextFromPage(reader, i, new LocationTextExtractionStrategy());
}

该LocationTextExtractionStrategy有时会导致奇怪的句子，更具体，如英文字母的页面（字形不同的对同一行文本基线）上的“舞蹈”。在这种情况下，您可以尝试按SimpleTextExtractionStrategy，以按其在PDF语法内容流中出现的顺序返回文本。