使用 ExtractText 命令行工具时提取 space 的错误字符

Question

用于提取文件的命令是java -jar pdfbox-app-2.0.7.jar ExtractText -console DiffSzSpaceIssue.pdf。同样的输出是。

This%is%one%
This%is%two%
This%is%three%
This%is%four%

用 PDFDebugger 检查了 pdf。我看到以下关于问题“%”

的条目

Code Glyph Name Unicode Character Glyph
37   1          %                 None

在有 unicode 但没有字形的情况下，请问如何正确提取文本？我期待以下输出，因为 pdf 中永远不会呈现“%”字符。

This is one
This is two
This is three
This is four

输入的 pdf 文件是 here。

Answer 1

显然，有时某些 pdf 中的 Unicode 映射可能是错误的，在这种情况下，需要删除 Unicode 映射并重新尝试提取。这道题明确的指出了映射错误的地方。 %->None（Unicode->字形）

Extracting wrong character for space while using ExtractText command line tool