使用Apache PDFBox提取PDF文本出乱码，但PDFBox Debugger显示正常

这种情况的核心原因是PDF中旧版Gurmukhi字体的编码映射缺失，导致文本提取工具无法把PDF内部的字符代码转成正确的Unicode文本，而PDFBox Debugger是直接渲染字形，不需要依赖编码映射。

具体原因拆解 #

• PDFBox Debugger的显示逻辑：它是PDF渲染工具，直接读取字体文件中的字形数据绘制文字，只要字体本身能正确渲染Gurmukhi字形，就能正常显示，完全不依赖PDF里的编码映射表。你看到的高亮红色部分，是它识别出的字形绘制区域，并非基于Unicode文本的提取结果。
• 文本提取工具的困境：PDF里存储的文本用的是该旧版字体的私有编码（非标准Unicode），但PDF没有嵌入ToUnicode CMap（把私有编码映射到Unicode的关键表），也未使用匹配Gurmukhi规则的标准编码。所以所有提取工具（PDFTextStripper、Adobe复制、iText、MuPdf）只能直接输出原始私有编码对应的字节，也就是你看到的h、I、]这类ASCII字符——这些只是编码字节对应的符号，和实际Gurmukhi文字无直接对应关系。

可行的解决方法 #

• 手动补全字体映射：如果你能拿到该旧版Gurmukhi字体文件，可借助PDFBox自定义代码或字体修复工具，给PDF中的字体添加ToUnicode映射表，将每个私有编码对应到正确的Gurmukhi Unicode字符（如U+0A00至U+0A7F范围内的字符），完成后文本提取工具即可正常解析。
• OCR识别兜底：若补全映射难度过高，可使用支持Gurmukhi脚本的OCR工具（如Tesseract）对PDF页面进行识别，直接从渲染后的图像中提取文本。这种方法无需依赖PDF内部编码信息，但要注意页面清晰度和字体辨识度。
• 利用PDFBox底层API提取：PDFBox Debugger能渲染正确文字，说明它可解析字体中字形与Unicode的对应关系。你可以通过PDFBox的PDType0Font、PDCIDFont等底层类，遍历每个字形的GID（字形ID），再从字体文件中找到GID对应的Unicode字符，手动实现文本提取逻辑。

内容的提问来源于stack exchange，提问作者Akshdeep Singh