PDFBox读取阿拉伯语PDF：列表单行显示乱序及冗余字符异常

使用PDFBox库逐行读取阿拉伯语PDF文件时遇到两个问题：

1. 调试控制台中按索引查看列表各行时文本顺序正常，但将列表内容以单行形式查看时，文本出现乱序；
2. 库会读取到PDF中不可见的额外字符，导致读取精度下降。

尝试过去除冗余字符、反转行序等方法，均未解决问题。相关代码如下：

public List<String> extractPageText(int pageNumber, PDDocument document) {
  List<String> currentPageLines = new ArrayList<>();
  PDFTextStripper stripper1 = null;
  String[] pageLines = null;
  try {
    PDFTextStripperByArea stripper2 = new PDFTextStripperByArea();
    Rectangle2D rect = new java.awt.geom.Rectangle2D.Float(10, 10, 580, 690);
    stripper2.addRegion("region", rect);
    stripper2.extractRegions(document.getPage(pageNumber));
    String textForRegion = stripper2.getTextForRegion("region");
    pageLines = textForRegion.split("\n");
  } catch (IOException e) {
    e.printStackTrace();
  }
  for (String currentPageline : pageLines) {
    currentPageLines.add(currentPageline.trim());
  }
  return currentPageLines;
}

相关截图 #

• PDF原文截图：
• 调试控制台截图：

内容的提问来源于stack exchange，提问作者Ravindar Sharma