java - iText PdfTextExtractor getTextFromPage 异常 "Error reading string at file pointer"

Question

我正在使用 iText PdfTextExtractor 从 PdfReader 中提取文本，其中 PdfReader 是从字节数组创建的，

    byte[] pdfbytes = outputStream.toByteArray();

    PdfReader reader = new PdfReader(pdfbytes);

    int pagenumber = reader.getNumberOfPages();
    PdfTextExtractor extractor = new PdfTextExtractor(reader);

    for(int i = 1; i<= pagenumber; i++) {
        System.out.println("============PAGE NUMBER " + i + "=============" );
        String line = extractor.getTextFromPage(i);
        System.out.println(line);
    }

第一个测试pdf来自:http://www.gnostice.com/downloads/Gnostice_PathQuest.pdf 我可以打印第一页，但在第二页出现以下异常

异常(exception):

Exception in thread "main" ExceptionConverter: java.io.IOException: Error reading string at file pointer 238291
at com.lowagie.text.pdf.PRTokeniser.throwError(Unknown Source)
at com.lowagie.text.pdf.PRTokeniser.nextToken(Unknown Source)
at com.lowagie.text.pdf.PdfContentParser.nextValidToken(Unknown Source)
at com.lowagie.text.pdf.PdfContentParser.readPRObject(Unknown Source)
at com.lowagie.text.pdf.PdfContentParser.parse(Unknown Source)
at com.lowagie.text.pdf.parser.PdfContentStreamProcessor.processContent(Unknown Source)
at com.lowagie.text.pdf.parser.PdfTextExtractor.getTextFromPage(Unknown Source)
at org.xxx.services.pdfparser.xxxExtensionPdfParser.main(xxxExtensionPdfParser.java:114)

其中 xxxExtensionPdfParser.java:114 是 String line = extractor.getTextFromPage(i);

但在第二次测试时 http://www.irs.gov/pub/irs-pdf/fw4.pdf ，我可以毫无异常(exception)地获取文本内容。所以我认为一定是第一个pdf的格式问题导致了异常。

所以我的问题是，这个格式问题是什么，有什么办法可以避免它吗？谢谢。

Answer 1

我遇到了同样的错误，经过一些调查，我的 pdf 文档的问题似乎是它们包含“页眉”或“页脚”，而不是您链接的 IRS 文档。我索引了一份 900 页的 pdf 文档，其中大约 70 页无法提取。显然，所有这些页面都有页脚版权信息。有什么想法可以解决这个问题吗？

------编辑---------- 我应用了以下方法从上述 pdf 中获取文本。希望这也适合您。

<小时/>

PdfReader pdfReader = new PdfReader(file);
PdfReaderContentParser parser = new PdfReaderContentParser(pdfReader);

strategy = parser.processContent(currentPage, new SimpleTextExtractionStrategy());              
content = strategy.getResultantText();