使用Apache POI和Apache PDFBox读取文档、pdf文件时的文本框位置错误

Question

我正在尝试读取和处理Java中的.doc、.docx、.pdf文件，方法是使用Apache POI（用于doc、docx)和Apache PDFBox（用于pdf）库将它们转换为单个字符串。
在遇到文本框之前，它工作得很好。如果格式是这样的:

第1段
文本框1
第2段
文本框2
第3段
那么输出应该是:
第1段文本框1第2段文本框2第3段
但我得到的输出是:
第1段文本框1文本框2

似乎是在结尾处而不是应该在的地方（即段落之间）添加文本框。这个问题在doc和pdf文件的情况下都存在。这意味着库、POI和PDFBox都存在相同的问题。

读取pdf文件的代码是:

    void pdf(String file) throws IOException {
        //Initialise file
        File myFile = new File(file);
        PDDocument pdDoc = null;
        try {
            //Load PDF
            pdDoc = PDDocument.load(myFile);
            //Create extractor
            PDFTextStripper pdf = new PDFTextStripper();
            //Extract text
            output = pdf.getText(pdDoc);
        }
        finally {
            if(pdDoc != null)
                //Close document
                pdDoc.close();
        }
    }

单据档案编码为:

    void doc(String file) throws FileNotFoundException, IOException {
        File myFile = null;
        WordExtractor extractor = null ;
        //initialise file
        myFile = new File(file);
        //create file input stream
        FileInputStream fis=new FileInputStream(myFile.getAbsolutePath());
        //open document
        HWPFDocument document=new HWPFDocument(fis);
        //create extractor
        extractor = new WordExtractor(document);
        //get text from document
        output = extractor.getText();
    }

Answer 1

对于PDFBox，执行以下操作：pdf.setSortByPosition（true）；