getTokens（）给出了垃圾数据和单字符PDFBox-1.8.9版本

我是pdfbox的新手。我正在使用

pdfbox-app-2.0.0-RC1

version使用PDFTextStripperByArea从pdf中获取整个文本。我是否可以分别获取每个字符串

比如说,， 在下文中

提名：姓名及地址 托运人：托运人姓名

我需要提名作为单独的字符串和“姓名和地址”作为单独的字符串。相反，我将分别获取每个角色。我试过使用不同的PDF。对于大多数PDF，我能够得到精确的字符串，但对于少数PDF，我不能

我使用以下代码来获取单独的字符串

for (PDPage page : doc.getPages()) {
    PDFStreamParser parser = new PDFStreamParser(page);
    parser.parse();
    List<Object> tokens = parser.getTokens();
       for (int j = 0; j < tokens.size(); j++) {
                Object next = tokens.get(j);
                if (next instanceof Operator) {
                    Operator op = (Operator) next;
                    if (op.getName().equals("Tj")) {
                        COSString previous = (COSString) tokens.get(j - 1);
                        String string = previous.getString();
                        System.out.println("string1===" + string);
                        if (string.contains("Plant")) {
                            int size = al.size();
                            al.add(string);
                            stop = false;
                            continue;
                        }
                        if (!string.contains("_") && !stop) {
                            if (string.contains("Nomination")) {
                                stop = true;
                            } else {
                                al.add(string);
                            }
                        }

                    } else if (op.getName().equals("TJ")) {
                        COSArray previous = (COSArray) tokens.get(j - 1);
                        for (int k = 0; k < previous.size(); k++) {
                            Object arrElement = previous.getObject(k);
                            if (arrElement instanceof COSString) {
                                COSString cosString = (COSString)arrElement;
                                String string = cosString.getString();
                                System.out.println("string2====>>"+string);
                                al.add(string);
                            }
                        }
                    }
                }
            }
    }

for（PDPage:doc.getPages（））{
PDFStreamParser=新的PDFStreamParser（第页）；
parser.parse（）；
List tokens=parser.getTokens（）；
对于（int j=0；j>”+字符串）；
al.添加（字符串）；
}
}
}
}
}
}

我得到以下输出：

字符串2==>>名称

string2==>>i

string2==>>na

字符串2==>>t

string2==>>i

string2===>>打开

字符串1==

string2==>>(

字符串2==>>T

string2==>>o

字符串1==

string2==>>Loa

string2==>>di

string2==>>ng

字符串1==

string2==>>Fa

字符串2==>>c

string2==>>i

字符串2==>>l

string2==>>i

字符串2==>>t

string2==>>y

字符串2===>>）

---

我将分别获取每个字符-不，在您发布的输出中有一些多字母组。也就是说，你没有得到整个字符串而是这些片段的原因是，在pdf中，不是你的整个字符串一次被画出来，而是作为这些片段。如果你想要整个字符串，你必须把这些片段放在一起，这就是文本剥离器为你做的。目前的版本是RC2。（虽然这不会改变你所遇到的“问题”，但事情与mkl所描述的完全一样）。谢谢你的回复。因此，pdfbox会根据pdf的编写方式对其进行解析。？？使用getTokens（）--string1===>>在另一个pdf中获取垃圾数据！“#$$string1===>>string1===>%&'string1====>>（）string1====>>string1=====>>string1=====>>”$*string1======>>*！$*string1===>>string1===>>“$*string1====>>*！+string1==>>string1==>>，string1===>>，）string1====>>string1====>>string1===>$#/0*1”字符串===字符串===字符串===>%23.4 string1===>$1==>string1==>string1=>string1=>>，string1=========>，String4.string1=>；方法返回正确的文本。解析器函数有问题吗？？