面对使用java从pdf文件中提取文本的问题

Question

无法从具有客户加密字体的pdf中提取文本，后者可以通过Adobe中的File -> ->字体识别。其中一种字体被提及为，C0EX02Q0_22类型:类型3编码:自定义实际字体: C0EX02Q0_22实际字体类型:类型3

让我知道是否有任何方法来提取这些pdf文件的文本内容。目前，我正在使用的PDFText2HTML从pdf util。在提取这样的pdf文件时，获取类似于‘extracting @ files’之类的值。

样本pdf：tesis completa.pdf

在这个pdf中，您可以看到使用自定义编码(例如: T3Font_1 )的字体(请参考Adobe中的文件->属性->字体)，因为我无法上传我的pdf更新后的示例，其中有同样的问题。

Answer 1

标准中描述的提取

PDF规范ISO 32000-1在第9.10节中描述了如何提取文本内容，如果PDF提供了所需的信息，并且这样做是正确的。

然而，使用此算法只在文档的几个页面范围内工作(即摘要、内容列表、感谢部分和Publicación 7节)，但在其他范围内则会产生胡言乱语，例如8QLYHUVLWDWGH/OHLGD而不是Universitat de Lleida。查看问题中的PDF对象，可以清楚地发现所需的信息缺失(没有ToUnicode地图，虽然编码基于，但使用中的所有位置都通过Difference映射到非标准名称)。

另外，尝试使用Adobe中的复制和粘贴来提取文本，也会返回这种胡言乱语。这通常表明泛型提取是不可能的。

周旋

但是，检查PDF对象和泛型文本提取尝试的输出，会产生这样的想法，即对于所有使用的字体，提取的文本的实际编码都是相同的，并且是一些基于ASCII的编码被一个常量移位:将'U' - '8'添加到提取的8QLYHUVLWDWGH/OHLGD的每个字符中就会导致Universitat de Lleida。在文档其他地方提取的文本中添加相同的常量也会导致正确的文本，只要文本只使用ASCII字符。

ASCII范围以外的字符不能通过该简单方法正确地映射，但它们似乎也总是被提取为相同的错误字符，例如字形'ó‘总是被提取为'y’。

因此，您可以从该文档(以及类似地创建的)文档中提取文本，方法是首先使用标准算法提取文本，然后在乱七八糟的部分(可能可以通过字体名称识别)替换每个字符，为小值添加'U' - '8'，并根据某些映射替换较高的值。

正如您在问题中提到的那样，我已经通过iText和PDFBox文本提取来运行您的文档，不管'U' - '8'是否移位，结果看起来都很有希望。我想其他通用的Java库也能工作。

另一个工作-

与创建自定义提取例程不同，您可以尝试通过将ToUnicode映射项添加到所讨论的字体中来修复所讨论的PDF。之后，正常的文本提取程序应该能够正确地提取内容。