Java 使用使用maven shade插件构建的pdfbox的程序的结果不同于正常的NetBeans运行

我有一个使用PDFBOX1.7.1的java程序，它是用maven shade插件2.0构建的

以下是使用PDFBox api的代码：

public class PdfFile {

    protected PDDocument document = null;

    public boolean load(byte[] bytes) throws IOException {
        InputStream is = new ByteArrayInputStream(bytes);
        PDFParser parser = new PDFParser(is);
        parser.parse();
        COSDocument cosDoc = parser.getDocument();
        this.document = new PDDocument(cosDoc);
        return true;
    }

    public byte[] extractText() throws IOException {
        PDFTextStripper pdfStripper = new PDFTextStripper();
        byte[] text = pdfStripper.getText(this.document).getBytes();

        return text;
    }

    public void close() throws IOException {
        if(this.document != null) {
            this.document.close();
        }
    }
}

因此，基本上方法

load（）

从字节数组加载pdf文档，方法

extractText（）

将从pdf提取的文本作为字节数组返回。当我从NetBeans

run

按钮运行程序时，它可以工作，但当我从使用maven shade插件构建的单个jar运行程序时，返回的文本采用错误的字符编码。例如单词：

odpowiadająca (normal polish characters)
odpowiadajšca (netbeans run)
odpowiadajÄca (single shade jar)

我知道这是一个完全相同的文件（字节数组），在两次运行中都作为参数

到达PdfFile.load（）

。所以问题是PDF框返回两种不同格式的文本

我有3个问题：

为什么内置shade插件编码的jar不同

如何控制/设置用shade插件构建的jar使用的编码

如何强制PDF框以正确格式返回文本

我知道在命令行PDFBox中有设置编码的选项：

java -jar {$jar_path} ExtractText -encoding UTF-8

但我在PdfBox api中找不到它

---

解决方案：我必须改变

pdfStripper.getText(this.document).getBytes();

到

首先，这里有两个事实（关于你的问题2）：

• 根据：默认输出编码为UTF-8
• 将输出编码作为参数存在一个错误

关于问题1和3：

我认为您的问题更多地与将

extractText（）

返回的

byte[]

转换为字符串的方式有关

新字符串（字节[]）

使用平台编码。因此，在netbeans或shell中执行此操作可能会产生不同的结果，因为我希望在netbeans中运行时平台编码可能不同

---

发布处理

extractText（）

结果的代码可能会有所帮助

谢谢，您对字符串的理解是正确的-在上面的代码中，我使用了

pdfStripper.getText（this.document）.getBytes（）

是

String.getBytes（）

-我不得不将这一行更改为

pdfStripper.getText（this.document）.getBytes（“UTF8”）解决了问题，谢谢！
pdfStripper.getText(this.document).getBytes("UTF8");