使用 Apache PDFBox 提取文本得到错误的字符？

Question

我正在尝试使用 Apache PDFBox 1.8.4 从 PDF 中提取文本 - 我的代码如下：

public static void main(String[] args) throws Exception {

        PDDocument pdfDocument = PDDocument.load(new File("rep.pdf"));
        PDFTextStripper stripper = new PDFTextStripper();
        String s =  stripper.getText(pdfDocument);
        System.out.println(s);
        pdfDocument.close();
    }

要转换的pdf：https://www.dropbox.com/s/t35rr23v4383yvt/Form-V-report.pdf?dl=0

但得到了这样的字符：

!"#$%&'()*$+,)!'-,./+/
0+12)3$#'(,,)451#+('1)65+7(,+'(/
!"#$%&'(
)*+,-.##(',/$.0
123.4.5,67,,89:;+
<3$'(=,>:++?,*99%@AB)

有什么解决办法吗？

提前 - 谢谢。

Answer 1

Adobe 集成了 PDF 混淆功能，PDF 的创建者可以启用它。我不记得它是如何工作的，但如果您使用任何在线 PDF text-extraction 工具，或者如果您尝试复制和粘贴文本，您会发现类似的问题。

您可能需要：

A) 在未启用此功能的情况下索取副本

或

B) 需要逆向工程是如何完成的，并使用该知识来逆向它。

我感觉 A 是正确答案

使用 Apache PDFBox 提取文本得到错误的字符？

Using Apache PDFBox for extracting text getting wrong charecters?

java

pdfbox