Java "；“空的”；从PDF中提取的字符

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，我得到的短语如下：

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

它看起来不是一个周期空间，而是一个空间，但它不是（至少在MacOSX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“英尺”中的“t”后面会有一个“空字符”。复制：

• 将光标放在“英尺”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，您将停留在原地
• 再按一次向右箭头键，您将继续到空间的另一侧
• 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”来代替句点。我尝试了几种不同的方法来替换它，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：建议该字符可能是一个字符，如

\uFEFF

，但尝试用建议的正则表达式替换它不起作用。

在意识到该字符不是

\uFEFF

或

\u0000

后，其他堆栈溢出用户遇到的两个unicode值，我决定运行一个测试来弄清楚代码到底是什么。使用中的代码确定unicode值是什么，我发现神秘的字符是

\u0008

，即“”。我不知道为什么会从PDF中删除它，但是

text=text.replace（“\u0008”，”）

现在将它替换为缺少的句点。

您不能共享文档（并且觉得不得不这么说）这一事实使得摘录“他的脚向任何一个方向移动”有点令人毛骨悚然：-哈哈，是的！也许这不是最好的例子，因为这是断章取义的。我改变了这个例子。