您的位置：程序门 -> java -> j2se / 基础类



pdfbox提取pdf文本，如果pdf中的字体本地没有，出现乱码


[收藏此页] [打印本页]选择字色：背景色：字体：[大][中][小]


pdfbox提取pdf文本，如果pdf中的字体本地没有，出现乱码
发表于：2007-03-26 15:41:49 楼主
pdfbox提取pdf文本，如果pdf中的字体本地没有，出现乱码。

我写了个简单的代码，从pdf文件中取得   文本。传入不同的pdf文件发现有的可以正确显示，有的显示乱码，我用的是pdfbox   0.73版，而且所有的pdf都是英文的内容。

有的是同1个文件中一部分是乱码，一部分正常显示，所以我觉得是因为有些文本的字体本地没有，导致用gettext（)方法时，返回的是乱码。


代码大致如下：
pddocument   doc=pddocumet.load（ "c:\\test.pdf ");
pdftextstripper   stripper=new   pdftextstripper   （);

string   text=stripper.gettext（doc);

运行后text变量中有可能包括一部分是正常显示的字符，一部分是乱码

请问这种现象是不是因为字体的原因？如果是，有没有办法在调用gettext（)之前，将pdf中本地没有的字体替换成本地有的，这样再调用gettext（)应该可以正确显示。
或者有其他方法解决？？？？


发表于：2007-03-26 15:47:131楼 得分:0
up
发表于：2007-03-26 19:09:412楼 得分:0
字体的原因是出现方框,你这应该是编码格式不统一吧~~或者读出来的时候就已经是乱码了,转码看看
发表于：2007-03-27 09:01:133楼 得分:0
和我联系easypdf@gmail.com
发表于：2007-03-27 09:25:484楼 得分:0
lixiaoxue85（蛮野蛮)   （   )   信誉：97         blog     2007-3-26   19:09:41     得分:   0    
 
 
     
字体的原因是出现方框

我的就是一部分字是方框，而且编码格式我试过了，怎么转也没用，而且我也不知道他以前的编码格式是什么
 
发表于：2007-03-27 12:53:535楼 得分:0
关注一下
发表于：2007-03-27 21:19:386楼 得分:0
关注一下

继续
发表于：2007-07-18 17:26:107楼 得分:0
关注一下，
我试验了extracttext程序
有resource目录，可是没有作用
cmap下明明有identity-v的，可总是认为unknown   encoding
发表于：2007-07-25 11:50:368楼 得分:0
谢谢各位关注

这个问题自从上次留帖后不久就没做了，最近有时间继续搞...

我用的pdf   是南美国家一个公司的文件,发现这个文档里的字符编码根本和我们的不一样,比如说字符 "m "   它的字节码是   01,   提出来转成char时,java   用unicode   编码得到的就是个   特殊字符,也就是乱码.

发表于：2007-07-27 11:58:529楼 得分:0
可能lz的pdf中那个并不是标准的英文字符，而是扩展的欧洲国家的某种语言，所以字节码看起来是ascii的，但其实不是英文字母
发表于：2007-07-27 11:59:0910楼 得分:0
建议使用xpdf试一下
发表于：2007-07-31 17:15:2911楼 得分:0
出来转成char时,java   用unicode   编码
看看encoding是什么,不一定是unicode编码啊

相关文章
其他资讯

快速检索
分类导航标签a

最新资讯
热门点击