我正在使用pdfbox API从pdf中提取文本。
我的程序工作正常,它实际上是从PDF中提取文本,但PDF中文本的问题字体是CDAC-GISTSurekh(印地语字体),我的程序输出的字体与Mangla中的字体不同。
它甚至与pdf中的文本不匹配。
我下载了相同的字体,即CDAC-GISTSurekh(印地语字体),并添加到我的计算机字体,但输出仍然是在曼格拉格式化。
有没有办法在解析时改变输出的字体?
感谢你的帮助。
代码我已经写:
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import org.apache.pdfbox.cos.COSDocument;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.PDFTextStripper;
public class PDFTextParser {
static String pdftoText(String fileName) {
PDFParser parser;
String parsedText = null;
PDFTextStripper pdfStripper = null;
PDDocument pdDoc = null;
COSDocument cosDoc = null;
File file = new File(fileName);
if (!file.isFile()) {
System.out.println("File " + fileName + " does not exist.");
return null;
}
try {
parser = new PDFParser(new FileInputStream(file));
} catch (IOException e) {
System.out.println("Unable to open PDF Parser. " + e.getMessage());
return null;
}
try {
parser.parse();
cosDoc = parser.getDocument();
pdfStripper = new PDFTextStripper();
pdDoc = new PDDocument(cosDoc);
pdfStripper.setStartPage(1);
pdfStripper.setEndPage(5);
parsedText = pdfStripper.getText(pdDoc);
} catch (Exception e) {
e.printStackTrace();
System.out.println("An exception occured in parsing the PDF Document."+ e.getMessage());
} finally {
try {
if (cosDoc != null)
cosDoc.close();
if (pdDoc != null)
pdDoc.close();
} catch (Exception e) {
e.printStackTrace();
}
}
return parsedText;
}
public static void main(String args[]){
System.out.println(pdftoText("J:\\Users\\Shantanu\\Documents\\NetBeansProjects\\Pdf\\src\\PDfman\\A0410001.pdf"));
}
}
1条答案
按热度按时间l7mqbcuq1#
创建新的PdfStripper对象时,请使用以下语法并为其指定编码。
其中(ISO -XXX)是PDF中使用的字符编码。