PDFBox getText 不返回所有可见文本

Question

我正在使用 PDFBox 从我的 PDF 文档中提取文本。它检索文本，但不是全部（具体来说，似乎 title/header 和页脚文本丢失）。缺少的部分不是图像，是在 foxit reader 中使用文本视图时提取的。

我使用的是 1.8.12 版本，并用 2.0.2 做了一个测试用例，只是想看看它是否会 return 更多内容。

这是我用于 2.0.2 的代码：

public static void main(String[] args) {

    File file = new File("D:\\file.pdf");
    try {
        PDDocument doc = PDDocument.load(file);
        PDFTextStripper stripper = new PDFTextStripper();
        //stripper.setSuppressDuplicateOverlappingText(false);
        stripper.getText(doc);
    } catch (Exception e) {
        System.out.println("Exc errirs ");
    }
}

现在我想知道我是否遗漏了任何设置？ PDFBox 是否因为文本位于某些装饰元素之上（文本下方的矩形）而失败？

谢谢

编辑：link to file in question

Answer 1

正如评论中所讨论的那样，文本并没有丢失，而是在 "wrong" 位置。默认情况下，PDFBox 文本提取会提取内容流中出现的字符，但它们并不总是以 "natural" 方式出现。 PDF 文件是由软件创建的，而不是由人创建的。

另一种方法是使用排序选项：

stripper.setSortByPosition(true)

但是，正如 mkl 指出的那样，如果文本分为两列，您也不会喜欢结果。

PDFBox getText 不返回所有可见文本

PDFBox getText not returning all of the visible text

pdf

pdfbox

text-extraction