使用Apache PDFBox解析PDF文件

Question

我试图使用PDFBox修改PDF文档的内容。我使用了这个例子，但观察到我的PDF文件的文本在字符级别（或更糟）被分割。例如，一个字符串，EM？它是什么：被分割成：

COSString{E}
COSString{M?}
COSString{ }
COSString{w}
COSString{hat }
COSString{it }
COSString{is}
COSString{:}

（通过在上述代码中打印costring进行检查时）。据我所知，文件中只有拉丁字符，编码也是ISO-8859-1。有什么想法吗？

当做

萨利

Answer 1

这很可能是一个PDF格式问题。这是您特定的PDF如何存储文本，以便获得正确的字母行间距或进行字距调整。这在不同的PDF中差异很大，取决于它们是如何创建的。

通常，我建议简单地将所有不同的令牌合并成一个大的内容字符串。