Java - PDFBox - Trích xuất văn bản

Question

Tôi đã sử dụng pdfbox để trích xuất thông tin văn bản từ các tệp PDF. Tôi đã phân tích cú pháp thành công tất cả các thuộc tính của văn bản như phông chữ, phông chữ, kích thước, vị trí, v.v.

VẤN ĐỀ: Tôi đang sử dụng pdfbox1.2.1 (phiên bản mới nhất). Hàm getCharacter() trong lớp TextPosition trả về chuỗi đầy đủ ngoại trừ ký tự cuối cùng. Ký tự cuối cùng được phân tách thành một chuỗi riêng biệt.

Ví dụ: "Cách bạn" được phân tích cú pháp là "Làm thế nào là yo" và "u" (2 chuỗi riêng biệt).

Tôi không muốn nó xảy ra như vậy ..

Có ai đi qua chuyện này không? .. Tôi có làm điều gì sai ?? .. Đang chờ trả lời ..

Cảm ơn và Kính trọng, Magggi

Answer 1

Vấn đề này được giải quyết.

Các mã sau vào processEncodedText(byte[] string) trong PDFStreamEngine.java

if(spacingText == 0 && (i + codeLength) < (string.length - 1)) 
{ 
    continue; 
} 

nên được thay đổi để

if(spacingText == 0 && (i + codeLength) < (string.length)) 
{ 
    continue; 
} 

Kính trọng, Maggi

Answer 2

Yes. Vấn đề này được giải quyết bằng pdfbox.
Thử phiên bản mới nhất của pdfbox. Bạn có thể tải xuống phiên bản mới nhất từ ​​http://pdfbox.apache.org/download.html