Parsing 使用Java代码逐行[顺序]读取PDF文件，并将其转换为文本

我需要按顺序解析pdf。我使用apache的pdfbox进行解析。但问题是，输出与PDF中显示的方式不同

例如：

如果PDF包含“我正在使用Apache的PDFBOX分析PDF”，则刮取的输出类似于“Apache的PDFBOX使用我正在分析的PDF”*

使用的代码：

publicstaticvoid readingPageByPage（pddocumentdoc）引发IOException异常
{
byte page=1；//包含数据的页面
试一试{
如果（doc.isEncrypted（））{//检查密码保护的PDF。
doc.decrypt（“”；//尝试使用空字符串进行解密。
doc.setAllSecurityToBeRemoved（真）；
}
PDDocumentCatalog cat=doc.getDocumentCatalog（）；
List pageList=cat.getAllPages（）；//将PDF的所有页面作为PDPage列表获取
PDFTextStripper pdfStripper=新的PDFTextStripper（）；
如果（（pageList！=null）&&（！pageList.isEmpty（））{
用于（PDPage PDPage:pageList）{
pdfStripper.setStartPage（第页）；
pdfStripper.setEndPage（第页）；
字符串pageText=pdfStripper.getText（doc）；//包含页面的内容
System.out.println（pageText）；
page++；
}
}
doc.close（）；
}捕获（例外e）{
e、 printStackTrace（）；
}
}

您能否提供一份PDF样本来重现该问题？虽然PDF内容确实可能包含未排序的绘图命令，但PDFBox会尝试对其进行大量排序。您可能有一个扫描过的文档，其中文本行稍微向上倾斜？您使用哪个PDFBox版本？它包含客户端数据，我无法共享。我使用了PDF BOX版本1.7.0。然后，它不是扫描的文档。在PDF中，在画布上没有特定的文本元素顺序是绝对合法的。这就是解析不充分的原因；你必须解释PDF文件。然而，如果文档以“结构化PDF”的形式出现，则可能会有一种解脱。在本例中，您可以解析结构，这更符合逻辑。为了获得文档中的某些结构，您可以尝试应用工具使其可访问（基本上符合PDF/UA）。PDF BOX版本1.7.0-请更新。@MaxWyss这就是解析不足的原因；你必须解释PDF文件目前的版本（1.8.3、1.8.4、2.0.0-SNAPSHOT）就是这样做的。这就是为什么我感到惊讶。可能在1.7.0中情况有所不同。

public static void readingPageByPage(PDDocument doc)throws IOException
    {
        byte page = 1; //page the data is contained on
        try{
            if (doc.isEncrypted()) {//To check for Password protected PDF.
                doc.decrypt("");//Trying to decrypt with a empty string.
                doc.setAllSecurityToBeRemoved(true);
            }
            PDDocumentCatalog cat = doc.getDocumentCatalog();
            List<PDPage> pageList = cat.getAllPages();//Get all pages of the PDF as PDPage list
            PDFTextStripper pdfStripper =  new PDFTextStripper();
            if((pageList != null) && (!pageList.isEmpty())){

                for (PDPage pdPage : pageList) {
                    pdfStripper.setStartPage(page);
                    pdfStripper.setEndPage(page);
                    String pageText = pdfStripper.getText(doc);//Contains the content of the page
                    System.out.println(pageText);
                    page++;
                }
            }
            doc.close();
        }   catch (Exception e){
            e.printStackTrace();
        }
    }