从带有变量的生成PDF文档中提取文本

Question

我正在从一个PDF文档中提取文本。这个PDF是使用一个从AS400读取数据的WS生成的。所以打印文本时，输出是这样的：

orem ipsum dolor sit amet, **«VS123»**  In eros risus, «VS124» sed felis quis, commodo interdum tellus. Donec vitae massa

和«VS123»，«VS124»是AS400中的变量。Java APi无法从变量中读取值，无法打印变量名而不是变量值。

我用的是PDFBoxhttps://pdfbox.apache.org/提取文本。代码源如下：

import java.io.File;
import java.io.IOException;
import java.util.List;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDDocumentCatalog;
import org.apache.pdfbox.pdmodel.encryption.InvalidPasswordException;
import org.apache.pdfbox.pdmodel.interactive.form.PDAcroForm;
import org.apache.pdfbox.pdmodel.interactive.form.PDField;
import org.apache.pdfbox.pdmodel.interactive.form.PDNonTerminalField;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.PDFTextStripperByArea;

public class App 
{
     public static void main( String[] args ) throws IOException
        {
        try (PDDocument document = PDDocument.load(new File("C:/my.pdf"))) {

            document.getClass();

            if (!document.isEncrypted()) {

                PDFTextStripperByArea stripper = new PDFTextStripperByArea();
                stripper.setSortByPosition(true);

                PDFTextStripper tStripper = new PDFTextStripper();

                String pdfFileInText = tStripper.getText(document);

                // split by whitespace
                String lines[] = pdfFileInText.split("\\r?\\n");
                for (String line : lines) {
                    System.out.println(line);
                }
                document.close();
            }
        }
    }
}

输出从以下错误堆栈开始：

避免：字体为ArialMT 2017年11月16日8:08:24的ToUnicode CMap无效。阿帕奇。pdfbox。pdmodel。字体。PDType0Font toUnicode AVERTISSEMENT:2017年11月16日8:08:24 PM org字体中的CID 77（77）没有Unicode映射。阿帕奇。pdfbox。pdmodel。字体。PDType0Font toUnicode AVERTISSEMENT:2017年11月16日8:08:24 PM org字体中的CID 111（111）没有Unicode映射。阿帕奇。pdfbox。pdmodel。字体。PDType0Font toUnicode AVERTISSEMENT:2017年11月16日8:08:24 PM org字体中没有CID 110（110）的Unicode映射。阿帕奇。pdfbox。pdmodel。字体。PDType0Font toUnicode AVERTISSEMENT:2017年11月16日8:08:24 PM org字体中的CID 116（116）没有Unicode映射。阿帕奇。pdfbox。pdmodel。字体。PDType0Font toUnicode AVERTISSEMENT:2017年11月16日8:08:24 PM org字体中的CID 97（97）没有Unicode映射。阿帕奇。pdfbox。pdmodel。字体。PDType0Font toUnicode AVERTISSEMENT:在字体ArialMT中没有CID 32（32）的Unicode映射

我也尝试使用iText摘录文本：

import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;

import java.io.IOException;

public class App {
    private static final String FILE_NAME = "C:/my.pdf";

    public static void main(String[] args) {

        PdfReader reader;

        try {

            reader = new PdfReader(FILE_NAME);

            String textFromPage = PdfTextExtractor.getTextFromPage(reader, 1);

            System.out.println(textFromPage);

            reader.close();

        } catch (IOException e) {
            e.printStackTrace();
        }

    }
}

以下是PDF文档的一部分：

当尝试提取文本或使用复制粘贴时，输出如下：

客户号«VS35»VS36»合同号«VS28»

PDF文件的链接：https://drive.google.com/file/d/1RNea028nCReIVS8nRWNlBwUwBsDOhDYg/view?usp=sharing

Answer 1

另外，PDF不包含文本中显示的变量数据。如果有任何变量，它们可能已经转换为由它自己的交互性界面使用。（例如SVG交互性）。

因此，在生成PDF时，变量名被转换为字符串，实际的变量数据可能已被重命名。

Answer 2

变量在PDF中呈现为白色，可以在PDFDebugger中看到（摘自第1页的第二个内容流）：

BT
  /F3 9 Tf
  1 0 0 1 70.944 30.6 Tm
  1 g
  1 G
  [ (\253) ] TJ
ET
BT
  1 0 0 1 75.984 30.6 Tm
  [ (VS1) -2 (1) -3 (3) ] TJ
ET

"1g"是最大的 /DeviceGray所以那是白色的。所以那部分发出"VS113"。

PDF中的值要晚得多。。。其中一个出现在XObject表单（一系列PDF操作）“X2”的内容流末尾：

BT
  1.0 0.0 0.0 1.0 153.3 457.35144 Tm
  0.0 3.57696 Td
  0 Tr
  /DeviceRGB cs
  0.0 0.0 0.0 sc
  /TCCZPJ+ArialMT 11.04 Tf
  [ (\0003\0001\0008\000 \0009\0007\0008\000 \0000\0001\0002) ] TJ
  0.0 -3.57696 Td
ET

“0.0.0 0 0.0 sc”表示黑色，下一行有318 978 012。由于读取/ToUnicode流时出错，无法提取。该流应该将每个代码映射到一个unicode，但这是缺失的。（你可能认为这在视觉上是显而易见的，但事情并不总是如此）。

唯一奇怪的是Adobe Reader获得了这些值。

从查看PDF的组件来看，似乎在第一步中，生成了一个PDF，这些“变量”印在白色上。在第二步中，第二个软件找到这些变量，并在它们所在的位置打印实际文本。