GSON / iText:从PDF 1.7字节中提取文本[]

Question

我正在使用Rest-Assured和GSON进行自动化测试，并且需要验证POST请求响应中返回的PDF文件的内容。文件的内容各不相同，可以包含任何内容，从文本到文本和表格，或者文本和表格和图形。就字形内容而言，每个页面都可能不同，而且很可能会不同。我只关心pdf页面上的所有文本——无论是纯文本，还是表格中的文本，或者是与图像相关的文本(或者是图像中的文本)。由于请求返回的所有pdf都是不同的，我无法定义搜索区域(据我所知)。我只需要提取页面上的所有文本。

我将pdf数据提取到一个字节数组中，如下所示：

        Gson pdfGson = new Gson();
        byte[] pdfBytes =
            pdfGson.fromJson(this.response.as(JsonObject.class)
                    .get("pdfData").getAsJsonObject().get("data").getAsJsonArray(), byte[].class);

（我已经尝试了 byte[] 的其他提取方法，但这是我发现返回有效数据的唯一方法。这将返回一个非常大的字节[]，如下所示：

[37, 91, 22, 45, 23, ...]

当我解析数组时，我遇到了与此问题相同的问题（除了我的 pdf 是 1.7），我尝试实现接受的答案，根据我的目的进行调整，并按照 iText 文档中的说明：

    byte[] decodedPdfBytes = PdfReader.decodeBytes(pdfBytes, new PdfDictionary(), FilterHandlers.getDefaultFilterHandlers());

    IRandomAccessSource source = new RandomAccessSourceFactory().createSource(decodedPdfBytes);
    ByteArrayOutputStream baos = new ByteArrayOutputStream();
    ReaderProperties readerProperties = new ReaderProperties();
    
    // Ineffective:
    readerProperties.setPassword(user.password.getBytes());
    PdfReader pdfReader = new PdfReader(source, readerProperties);
    // Ineffective:
    pdfReader.setUnethicalReading(true);

    PdfDocument pdfDoc = new PdfDocument(pdfReader, new PdfWriter(baos));

    for(int i = 1; i < pdfDoc.getNumberOfPages(); i++) {
        String text = PdfTextExtractor.getTextFromPage(pdfDoc.getPage(i));
        System.out.println(text);
    }

这确实解码了pdf页面，并返回文本，但它只是标题文本。不返回其他文本。

值得一提的是，在前端，当用户单击按钮生成pdf时，它会返回一个包含下载数据的blob，因此我相对确定元数据是GSA编码的，但我不确定这是否重要。由于敏感材料，我无法分享pdf文档的示例。

任何方向正确的点都将不胜感激！我花了3天时间试图找到解决方案。

Answer 1

对于那些寻求解决方案的人 - 最终我们最终选择了一条不同的路线。我们从未找到解决此特定问题的方法。