Java 使用变量从生成的PDF文档中提取文本

我正在从PDF文档中提取文本。 此PDF是使用WS-reading从AS400读取数据生成的。因此，在打印文本时，输出如下：

orem ipsum dolor sit amet, **«VS123»**  In eros risus, «VS124» sed felis quis, commodo interdum tellus. Donec vitae massa

import java.io.File;
import java.io.IOException;
import java.util.List;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDDocumentCatalog;
import org.apache.pdfbox.pdmodel.encryption.InvalidPasswordException;
import org.apache.pdfbox.pdmodel.interactive.form.PDAcroForm;
import org.apache.pdfbox.pdmodel.interactive.form.PDField;
import org.apache.pdfbox.pdmodel.interactive.form.PDNonTerminalField;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.PDFTextStripperByArea;

public class App 
{
     public static void main( String[] args ) throws IOException
        {
        try (PDDocument document = PDDocument.load(new File("C:/my.pdf"))) {

            document.getClass();

            if (!document.isEncrypted()) {

                PDFTextStripperByArea stripper = new PDFTextStripperByArea();
                stripper.setSortByPosition(true);

                PDFTextStripper tStripper = new PDFTextStripper();

                String pdfFileInText = tStripper.getText(document);

                // split by whitespace
                String lines[] = pdfFileInText.split("\\r?\\n");
                for (String line : lines) {
                    System.out.println(line);
                }
                document.close();
            }
        }
    }
}

和«VS123»，«VS124»是AS400中的变量。Java APi无法从变量及其打印变量名（而不是变量值）中读取值

我正在使用PDFBox提取文本。 代码源如下所示：

orem ipsum dolor sit amet, **«VS123»**  In eros risus, «VS124» sed felis quis, commodo interdum tellus. Donec vitae massa

import java.io.File;
import java.io.IOException;
import java.util.List;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDDocumentCatalog;
import org.apache.pdfbox.pdmodel.encryption.InvalidPasswordException;
import org.apache.pdfbox.pdmodel.interactive.form.PDAcroForm;
import org.apache.pdfbox.pdmodel.interactive.form.PDField;
import org.apache.pdfbox.pdmodel.interactive.form.PDNonTerminalField;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.PDFTextStripperByArea;

public class App 
{
     public static void main( String[] args ) throws IOException
        {
        try (PDDocument document = PDDocument.load(new File("C:/my.pdf"))) {

            document.getClass();

            if (!document.isEncrypted()) {

                PDFTextStripperByArea stripper = new PDFTextStripperByArea();
                stripper.setSortByPosition(true);

                PDFTextStripper tStripper = new PDFTextStripper();

                String pdfFileInText = tStripper.getText(document);

                // split by whitespace
                String lines[] = pdfFileInText.split("\\r?\\n");
                for (String line : lines) {
                    System.out.println(line);
                }
                document.close();
            }
        }
    }
}

输出从以下错误堆栈开始：

避免：2017年11月16日字体中的ToUnicode CMap无效 晚上8:08:24 org.apache.pdfbox.pdmodel.font.PDType0Font-toUnicode 避免：字体为ArialMT nov的CID+77（77）没有Unicode映射。 2017年8月16日下午8:08:24 org.apache.pdfbox.pdmodel.font.PDType0Font toUnicode避免：字体中的CID+111（111）没有Unicode映射 2017年11月16日上午8:08:24 org.apache.pdfbox.pdmodel.font.PDType0Font-toUnicode避免：否 2017年11月16日，字体为ArialMT的CID+110（110）的Unicode映射 晚上8:08:24 org.apache.pdfbox.pdmodel.font.PDType0Font-toUnicode 避免：字体为ArialMT的CID+116（116）没有Unicode映射 2017年11月16日晚上8:08:24 org.apache.pdfbox.pdmodel.font.PDType0Font toUnicode避免：字体中的CID+97（97）没有Unicode映射 2017年11月16日上午8:08:24 org.apache.pdfbox.pdmodel.font.PDType0Font-toUnicode避免：否 字体为ArialMT的CID+32（32）的Unicode映射

我还尝试使用iText提取文本：

import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;

import java.io.IOException;

public class App {
    private static final String FILE_NAME = "C:/my.pdf";

    public static void main(String[] args) {

        PdfReader reader;

        try {

            reader = new PdfReader(FILE_NAME);

            String textFromPage = PdfTextExtractor.getTextFromPage(reader, 1);

            System.out.println(textFromPage);

            reader.close();

        } catch (IOException e) {
            e.printStackTrace();
        }

    }
}

以下是PDF文档的一部分：

当尝试提取文本或使用复制粘贴时，输出如下：

客户编号«VS35»VS36» 合同编号«VS28»

指向PDF文件的链接：

---

好的，PDF不包含文本中显示的变量数据。如果有任何变量，它们可能已经转换为供它自己的交互界面使用。（例如SVG交互）

---

因此，在生成PDF时，变量名称被转换为字符串，实际变量数据可能已重命名。

AFAIK，PDF不包含文本中显示的变量数据。如果有任何变量，它们可能已经转换为供它自己的交互界面使用。（例如SVG交互）

---

因此，在生成PDF时，变量名称被转换为字符串，实际变量数据可能已被重命名。

PDF中的变量呈现为白色，这可以从PDFDebugger中看出（摘自第1页的第二个内容流）：

“1 g”为最大值，从/DeviceGray开始为白色。因此，该部分给出了“«VS113”

PDF中的值要晚得多。。。其中一个出现在XObject表单（一系列PDF操作）“X2”的内容流末尾：

“0.0.0 0 0.0 sc”表示黑色，下一行有318 978 012。由于读取/ToUnicode流时出错，无法提取此文件。该流应该将每个代码映射到unicode，但缺少unicode。（你可能认为这在视觉上是显而易见的，但事实并非总是如此）

唯一奇怪的是AdobeReader获得了这些值

---

从PDF的组件来看，似乎在第一步中，PDF是用这些“变量”以白色打印在白色上生成的。在第二步中，第二个软件会找到这些变量，并在它们所在的位置打印实际文本。

这些变量在PDF中呈现为白色，如PDFDebugger所示（摘自第1页的第二个内容流）：

“1 g”为最大值，从/DeviceGray开始为白色。因此，该部分给出了“«VS113”

PDF中的值要晚得多。。。其中一个出现在XObject表单（一系列PDF操作）“X2”的内容流末尾：

“0.0.0 0 0.0 sc”表示黑色，下一行有318 978 012。由于读取/ToUnicode流时出错，无法提取此文件。该流应该将每个代码映射到unicode，但缺少unicode。（你可能认为这在视觉上是显而易见的，但事实并非总是如此）

唯一奇怪的是AdobeReader获得了这些值

---

从PDF的组件来看，似乎在第一步中，PDF是用这些“变量”以白色打印在白色上生成的。在第二个步骤中，第二个软件找到这些变量并在它们的位置打印实际文本。

问题不在ITXT上，标签移除的人添加了ITEXT标签，因为他们认为ITXT是最好的PDF库，而ITXT开发者是最好的PDF专家。尽管有这些知识，其中一些人不使用iText，因为他们不喜欢为他们编写的软件付钱给开发人员，或为他们的专业知识付钱给专家。他们可能不喜欢开发人员和专家。我猜AS 400代码不是内容流的一部分，而是作为注释添加的。这就解释了为什么在查看或打印文档时它们是可见的，但在提取页面内容时不存在。@AmedeeVanGasse我添加了itext标记，因为我也使用了itext来提取内容您的问题中的代码并不反映您对itext的使用情况。请共享该文件或与Adobe Reader一起查看该文件中是否有批注/注释。问题不是关于itext，标签删除的人添加了ItEXT标签，因为他们认为ITXT是最好的PDF库，而ITEXT开发者是最好的PDF专家。尽管有这些知识，其中一些人不使用iText，因为他们不喜欢为他们编写的软件付钱给开发人员，或为他们的专业知识付钱给专家。他们可能不喜欢开发人员和专家。我猜AS 400代码不是内容流的一部分，而是作为注释添加的。这就解释了为什么它们在查看或打印文档时可见，而在提取页面内容时却不存在。@AmedeeV