我有一组 pdf 文件,其中包含中欧字符,例如 č、Ď、Š 等。我想将它们转换为文本,我已经通过 Apache Tika 尝试了 pdftotext
和 PDFBox
但其中一些总是无法正确转换。
奇怪的是,同一文本中的相同字符在某些地方转换正确,而在其他地方转换错误!一个例子是这个 pdf 。
对于 pdftotext,我使用以下选项:
pdftotext -nopgbrk -eol dos -enc UTF-8 070612.pdf
我的 Tika 代码如下所示:
String newname = f.getCanonicalPath().replace(".pdf", ".txt");
OutputStreamWriter print = new OutputStreamWriter (new FileOutputStream(newname), Charset.forName("UTF-16"));
String fileString = "path\to\myfiles\"
try{
is = new FileInputStream(f);
ContentHandler contenthandler = new BodyContentHandler(10*1024*1024);
Metadata metadata = new Metadata();
PDFParser pdfparser = new PDFParser();
pdfparser.parse(is, contenthandler, metadata, new ParseContext());
String outputString = contenthandler.toString();
outputString = outputString.replace("\n", "\r\n");
System.err.println("Writing now file "+newname);
print.write(outputString);
}catch (Exception e) {
e.printStackTrace();
}
finally {
if (is != null) is.close();
print.close();
}
编辑:忘记提及,我在从 Acrobat Reader XI 转换为文本时也遇到了同样的问题。
最佳答案
除此之外,这段代码将使用平台默认编码:
PrintWriter print = new PrintWriter(newname);
print.print(outputString);
print.close();
我建议您使用 OutputStreamWriter
而不是包装 FileOutputStream
,并指定 UTF-8 作为编码(因为它可以对所有 Unicode 进行编码,并且通常得到很好的支持) .
您还应该在finally
block 中关闭编写器,并且我可能会将“读取”部分与“写入”部分分开。 (我也会避免捕获Exception
,但是深入了解异常处理的细节有点超出了这个答案的范围。)
关于java - 特殊字符未正确从 pdf 转换为文本,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/17272122/