使用pdfbox从pdf中提取文本得到错误的字符编码

Question

最近，我必须将 pdf 索引到 ElasticSearch 中并使用 pdfbox 从 pdf 中提取文本，但是我得到了这样的错误字符编码

Ýëĭ2ĈjŬj§ė¥ 
1 ŋ?nĳ"2$ 2016£ 2Ú 5Õ,”Òªj§?ně#ĳ"2ě
^ë2ļŘœ A$j§?n 2016£ě#ëÖĭ2Ĉļê    
2 èÅŋ?n$ 2016£ 2Ú 6ÕöĿS¿    ĿS¿ ĿS
Õ¿  ĿSÖ¿  eöĿS&ØºĨĘ
http://www.sse.com.cnLćĈ
A$j§Ýëĭ2ĈŘĐ

我的代码与本页所说的完全相同here。我尝试从 0.8.x 到 2.0.x 的 pdfbox lib 版本，但它仍然无法工作。

如有任何帮助或建议，我们将不胜感激！

Answer 1

我从@Tilman 的评论中得到了答案。

See pdfbox.apache.org/1.8/faq.html#notext and the answer below too.

使用pdfbox从pdf中提取文本得到错误的字符编码

got wrong characters encoding using pdfbox to extract text from pdf

character-encoding

pdfbox