Java 两行中的字母可以互换，Adobe Reader可以完成这项工作

我有一个关于pdfbox 1.8.13的问题。我试图从一页PDF文档中阅读全文。AdobeReader可以完成这项工作，pdfbox可以读取几乎整个页面，但会将文档的前两行和最后两行置乱，以便互换字母

有人知道如何解决这样的问题吗？首先，在哪里提问，第二，我如何与您共享PDF，第三，是否有人有可能检查pdfbox版本2.0.7中是否也存在此问题，我理解pdfbox版本完全不同，因此无法直接实现

提前感谢您的帮助 斯蒂芬

Adobe Reader：

ScalableCapitalHRB217778,AmtsgerichtMünchenSeite1von1 
VermögensverwaltungGmbHUSt-IdNr.DE300434774 
Prinzregentenstr. 
48Geschäftsführung:80538München 
ErikPodzuweit,FlorianPrucker 

pdfbox：

SVecramlaöbgleenCsavpeitrawlaltung GmbH UHSRtB-I2d1N7r7.7D8E,3A0m0t4s3g4e7ri7c4ht München Seite 1 von 1
8P0ri5n3zr8egMeünntcehnesntr. 48 GEreikscPhoädftzsufwüheritu,nFglo: rian Prucker

链接到PDF（我已验证问题与我上传的未修改和修改的PDF相同）：

---

注意：与此同时，我还尝试了pdfbox 1.8.13中的PDDocument.loadNonSeq版本，但这导致了相同的问题。

谢谢@tilman hausherr提供的有用提示。有了他们，我设法调试了我的问题

您是对的，即使在

pdfbox-1.8.13

中，省略排序选项（我不知道为什么以前在我现在从事的项目中使用它）也解决了置乱问题。您是对的，使用

pdfbox-2.0.7

的文本提取结果提供了更好的结果

我在

pdfbox-1.8.13

中使用的相关Java代码片段是：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.PDFTextStripper;
...
PDDocument doc = PDDocument.load(file);
PDFTextStripper textStripper = new PDFTextStripper();
textStripper.setSortByPosition(true);
String text = textStripper.getText(doc);

如果我理解正确，用于简单文本提取的API从

pdfbox-1.8.13

到

pdfbox-2.0.7

是不同的，但非常相似，

PDFTextStripper

刚刚从

util

移动到

text

：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
...
PDDocument doc = PDDocument.load(file);
PDFTextStripper textStripper = new PDFTextStripper();
// textStripper.setSortByPosition(true);
String text = textStripper.getText(doc);

要了解所有这些，正如您所说，命令行工具非常有用，下面是使用不同选项（和）提取文本的结果：

java-jar pdfbox-app-1.8.13.jar ExtractText-sort“20170801 Rechnung.pdf”：

java-jar pdfbox-app-1.8.13.jar ExtractText“20170801 Rechnung.pdf”：

java-jar pdfbox-app-2.0.7.jar ExtractText-sort“20170801 Rechnung.pdf”：

java-jar pdfbox-app-2.0.7.jar ExtractText“20170801 Rechnung.pdf”

---

因此，我认为

pdfbox-2.0.7

在这种情况下给出了最好的结果，尤其是没有

-sort

选项，即使我不知道为什么算法表现不同，因为

pdfbox-1.8.3

在有或没有

-nonSeq

选项的情况下给出了相同的结果。

将PDF上传到共享主机，然后发布链接，例如dropbox、google drive、wikisend、filedropper等，您也可以使用ExtractText命令行应用程序进行测试。只需从下载站点下载pdfbox应用程序。2.0.7版本的pdfbox应用程序绝对更好。用于简单文本提取的API是相同的。您不显示用于进行文本提取的代码。这使得帮助变得很困难。@mkl他使用了排序选项。这在1.8中带来了糟糕的结果（但在2.0中没有）。虽然对于您的文档来说，使用

sort

选项可能不是一个好主意，阅读此答案的读者应该知道，也有许多PDF提取，如果没有该选项，将导致完全胡说八道。您能否解释为什么会出现这种情况，或者是否可以要求PDF的创建者纠正/修改这种行为？“为什么是”-PDF最初是一种跨平台相同显示文档的格式。其他功能（如文本提取）是可选的。“纠正这种行为”-这很难，因为这种行为一开始并不错误，见上文。“修改此行为”-您可以要求创建者创建正确标记的PDF，以便您可以根据标记信息应用文本提取。创建者甚至可能不知道他/她的PDF具有奇怪顺序的图示符-PDF是由计算机创建的。发票的程序员可能希望从顶部和底部开始，然后是项目，然后是总额。然而，序列也可能不同，看起来仍然一样。为什么在1.8中排序时失败了？我想这是因为字体读错了。PDFBox在字体方面有很多问题，可能它没有正确地获得大小，因此，它认为所有内容都是同一行的一部分。（使用1.8渲染文件看起来非常糟糕）

SVecramlaöbgleenCsavpeitrawl HRBPrinzregentenstra.l4tu8ng GmbH GUSest-I
2d1N7r7.7D8E,3A0m0t4s3g4e7ri7c4ht München Seite 1 von 1
80538 München ErikcPhoädftzsufwüheritu,nFglo: rian Prucker

Scalable CapitalVermögensverwaltung GmbHPrinzregentenstr. 4880538 München
HRB 217778, Amtsgericht MünchenUSt-IdNr. DE300434774Geschäftsführung:Erik 
Podzuweit, Florian Prucker
Seite 1 von 1

Scalable Capital HRB 217778, Amtsgericht München Seite 1 von 1
Vermögensverwaltung GmbH USt-IdNr. DE300434774
Prinzregentenstr. 48 Geschäftsführung:
80538 München Erik Podzuweit, Florian Prucker

Scalable Capital
Vermögensverwaltung GmbH
Prinzregentenstr. 48
80538 München
HRB 217778, Amtsgericht München
USt-IdNr. DE300434774
Geschäftsführung:
Erik Podzuweit, Florian Prucker
Seite 1 von 1