java - 从 PDF 中提取的 "Empty"字符

Question

我最近尝试使用 PDFBox 从 PDF 文件中提取文本。它适用于大多数 PDF，但对于一个 PDF(不幸的是我不允许共享)，句子中的所有句点都不会被提取出来。相反，我得到如下短语:

...what it would be It’ll be important later on...

它看起来像一个空格而不是一个句点空格，但它不是(至少在 Mac OS X 上)。如果将文本复制到文本编辑器中并开始在短语中移动文本光标，则在“feet”中的“t”之后会出现一个“空字符”。重现:

• 将光标放在“feet”中字母“t”的正前方，然后按右箭头键。光标向右移动一步。
• 再次按向右箭头键，您将停留在原处。
• 再按一次右箭头键，您将继续到空间的另一边。
• 继续按向右箭头键的行为符合预期

PDFBox 似乎提取了某种“空字符”来代替句号。我尝试用几种不同的方式替换它，但没有成功:

String oldText = text;
text = text.replace('\u0000', '.'); //Unicode null
text = text.replace('\0', '.'); //C null
System.out.println(oldText.equals(text)); //Returns true
//Also tried text.replace(null, '.'), but it doesn't compile

这个“空字符”是什么？我如何用应该存在的文本替换它？

编辑:This answer建议该字符可能是 \uFEFF 之类的字符，但尝试按照建议将其替换为正则表达式无效。

Answer 1

在意识到字符不是 \uFEFF 或 \u0000 这两个其他 Stack Overflow 用户遇到的 unicode 值后，我决定进行测试弄清楚代码实际上是什么。使用 this answer 中的代码为了确定 unicode 值是什么，我发现神秘字符是 \u0008，即“backspace”。我不知道为什么会从 PDF 中提取它，但 text = text.replace('\u0008', '.') 现在将其替换为缺失的句点。