gpt4 book ai didi

java - 在java中通过pdfbox阅读pdf

转载 作者:行者123 更新时间:2023-12-01 20:27:30 25 4
gpt4 key购买 nike

我在使用 pdfbox 阅读 pdf 时遇到问题。我的实际 pdf 部分不可读,因此当我将不可读的部分复制并粘贴到编辑器中时,它会显示小框符号,但是当我尝试通过 pdfbox 读取相同的文件时,这些字符不会被读取(而且我不希望它们出现)待读)。我期望的是我至少得到一些符号或一些随机字符而不是实际字符。有什么办法可以做到这一点吗?该行已被选中,因此它不是图像。有没有人找到解决方法?

有一个 pdfbox 示例,我们在 pdfTextStripper 类下重写 writeString 方法以获得一些额外的字体属性。我正在使用该方法来获取我的文本和一些字体属性。所以我的问题是为什么 pdfbox 不读取每个字符(它可能会打印出乱码)。但就我而言,我数了数。调用方法的次数(每个方法调用对应于每个字符)并看到 no。方法调用确实与输出文本中的字符数匹配,但与总数不匹配。 pdf 中的字符数。这是一个示例 pdf,“Profit”这个词不可读,并且 pdf 甚至不显示该词的乱码,它只是完全跳过它。这是链接。 https://drive.google.com/file/d/0B_Ke2amBgdpedUNwVTR3RVlRTFE/view?usp=sharing

最佳答案

第一个文件“PnL_500010_0314.pdf”

事实上,实际上整行“截至2014年3月31日的年度损益表”以及更多内容都无法提取;检查内容,原因就很明显了:此文本是使用复合字体编写的,既没有 Encoding 也没有 ToUnicode 条目来识别相关字符。

在调用 processTextPosition 之前不久的 org.apache.pdfbox.text.PDFTextStreamEngine(PDFTextStripper 从中派生)方法 showGlyph (PDFTextStripper 实现并从中检索文本信息)包含以下代码:

// use our additional glyph list for Unicode mapping
unicode = font.toUnicode(code, glyphList);

// when there is no Unicode mapping available, Acrobat simply coerces the character code
// into Unicode, so we do the same. Subclasses of PDFStreamEngine don't necessarily want
// this, which is why we leave it until this point in PDFTextStreamEngine.
if (unicode == null)
{
if (font instanceof PDSimpleFont)
{
char c = (char) code;
unicode = new String(new char[] { c });
}
else
{
// Acrobat doesn't seem to coerce composite font's character codes, instead it
// skips them. See the "allah2.pdf" TestTextStripper file.
return;
}
}

相关字体不提供任何文本提取线索。因此,这里的 unicodenull

此外,字体是复合的,而不是简单的。因此,else 子句被执行,processTextPosition 甚至没有被调用。

PDFTextStripper 因此,根本不知道“截至 2014 年 3 月 31 日的年度损益表”这一行的存在!

如果你更换它

    else
{
// Acrobat doesn't seem to coerce composite font's character codes, instead it
// skips them. See the "allah2.pdf" TestTextStripper file.
return;
}

PDFTextStreamEngine.showGlyph中通过一些代码设置unicode,例如使用 Unicode 替换字符

    else
{
// Use the Unicode replacement character to indicate an unknown character
unicode = "\uFFFD";
}

你会得到

57
THIRTY SEVENTH ANNUAL REPORT 2013-14
STANDALONE FINANCIAL STATEMENTS
�������������������������������������������������������������
As per our report attached. Directors
For Deloitte Haskins & Sells LLP Deepak S. Parekh Nasser Munjee R. S. Tarneja
Chartered Accountants �������� B. S. Mehta J. J. Irani
D. N. Ghosh Bimal Jalan
Keki M. Mistry S. A. Dave D. M. Sukthankar
Sanjiv V. Pilgaonkar ���������������
Partner �����������������������
Renu Sud Karnad V. Srinivasa Rangan Girish V. Koliyote
������, May 6, 2014 Managing Director ������������������ �����������������
Notes Previous Year
� in Crore � in Crore
INCOME
����������������������� 23 23,894.03 20,796.95
���������������������������� 24 248.98 315.55
������������ 25 54.66 35.12
Total Revenue 24,197.67 21,147.62
EXPENSES
Finance Cost 26 16,029.37 13,890.89
�������������� 27 279.18 246.19
���������������������� 28 86.98 75.68
�������������� 29 230.03 193.43
������������������������������ 11 & 12 31.87 23.59
Provision for Contingencies 100.00 145.00
Total Expenses 16,757.43 14,574.78

PROFIT BEFORE TAX 7,440.24 6,572.84
�����������
������������� 1,973.00 1,727.68
�������������� 14 27.00 (3.18)
PROFIT FOR THE YEAR 3 5,440.24 4,848.34
EARNINGS PER SHARE��������������� 2) 31
- Basic 34.89 31.84
- Diluted 34.62 31.45
�������������������������������������������������������������

不幸的是,PDFTextStreamEngine.showGlyph 方法使用了一些私有(private)类成员。因此,人们不能简单地使用具有上述更改的原始方法代码在自己的 PDFTextStripper 类中重写它。人们要么必须在自己的类中复制 PDFTextStreamEngine 的几乎所有功能,要么必须求助于 Java 反射,要么必须自己修补 PDFBox 类。

这个架构并不完全完美。

第二个文件“Bal_532935_0314.pdf”

第二个文件的情况是由上面引用的同一段 PDFBox 代码引起的。不过,这一次,字体很简单,执行了另一个代码块:

    if (font instanceof PDSimpleFont)
{
char c = (char) code;
unicode = new String(new char[] { c });
}

这里发生的事情纯粹是猜测:如果没有将字形代码映射到 Unicode 的信息,我们假设映射是 Latin-1,它简单地嵌入到 char 中。正如OP的第二个文件中所示,这个假设并不总是成立。

如果您不希望 PDFBox 做出此类假设,请将上面的 if block 替换为

    if (font instanceof PDSimpleFont)
{
// Use the Unicode replacement character to indicate an unknown character
unicode = "\uFFFD";
}

这会导致

Aries Agro Care Private Limited
1118th Annual Report 2013-14
Balance Sheet as at 31st March, 2014
Particulars Note
No.
As at
31 March, 2014
Rupees
As at
31 March, 2013
Rupees
I. EQUITY AND LIABILITIES
(1) Shareholder's Funds
(a) ������������� 3 100,000 100,000
(b) Reserves and Surplus 4 (2,673,971) ������������
(2,573,971) ������������
(2) Current Liabilities
(a) Short Term Borrowings 5 5,805,535 �����������
(b) Trade Payables 6 159,400 ���������
(c) ������������������������� 7 2,500 22,743
5,967,435 5,934,756
TOTAL 3,393,464 �����������
II. ASSETS
(1) Non-Current Assets
(a) �������������������� � - -
- -
(2) Current Assets
(a) ����������������������� 9 39,605 �������
(b) ����������������������������� 10 3,353,859 ����������
3,393,464 ����������
TOTAL 3,393,464 ����������
��������������������������������
The Notes to Accounts 1 to 23 form part of these Financial Statements
As per our report of even date For and on behalf of the Board
For Kirti D. Shah & Associates
���������������������
�����������������������������
Dr. Jimmy Mirchandani
Director
Kirti D. Shah
Proprietor
Membership No 32371
Dr. Rahul Mirchandani
Director
Place : Mumbai.
Date :- 26th May, 2014.

关于java - 在java中通过pdfbox阅读pdf,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37862159/

25 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com