java - 无法使用java读取pdf中的unicode字符

Question

我正在尝试将包含泰米尔语 unicode 字符的 Pdf 文档转换为保留所有格式的 Word 文档。我无法读取 Pdf 中的 unicode 字符，它们在 word 中显示为垃圾字符。我正在使用下面的代码，有人可以帮忙吗？

public static void main(String[] args) throws IOException {
        System.out.println("Document converted started");
        XWPFDocument doc = new XWPFDocument();
        String pdf = "D:\\sample1.pdf";
        PdfReader reader = new PdfReader(pdf);
     //   InputStreamReader isr = new InputStreamReader(reader,"UTF8");
        PdfReaderContentParser parser = new PdfReaderContentParser(reader);
        for (int i = 1; i <= reader.getNumberOfPages(); i++) {
            TextExtractionStrategy strategy = parser.processContent(i,
                    new SimpleTextExtractionStrategy());
            System.out.println(strategy.getResultantText());
            String text = strategy.getResultantText();
            XWPFParagraph p = doc.createParagraph();
            XWPFRun run = p.createRun();
   //         run.setFontFamily(new Font("Arial"));
            run.setFontSize(14);
            run.setText(text);
     //       run.addBreak(BreakType.PAGE);
        }
        FileOutputStream out = new FileOutputStream("D:\\tamildoc.docx");
        doc.write(out);
        out.close();
        reader.close();
        System.out.println("Document converted successfully");
    }

Answer 1

您可以使用库Apache PDFBox https://pdfbox.apache.org/download.cgi 。使用组件PDFTextStripper，调用方法getText(PDDocument doc)，您将获得一个表示 .pdf 文件内容的简单字符串

这里是一个例子:

    UploadedFile file = new UploadedFile(fileName);
    InputStream is = file.getInputStream(); 
    PDDocument doc = PDDocument.load(is);
    String content = new PDFTextStripper().getText(doc);
    doc.close();

之后您可以在文件上写入