如何解决PDFBOX无法读取Skia/PDF m118 Google Docs生成的PDF内容？

使用PDFBOX读取由Skia/PDF m118 Google Docs Renderer生成的PDF文件时，无法读取到任何内容。该文档仅含一页且无图片，用PDFTextStripper读取无效，但可通过Acrobat Reader正常打开。

代码片段 #

Document dataDocument = new Document();
try {
    PDFTextStripper pdfTextStripper = new PDFTextStripper();

    pdfTextStripper.setParagraphStart("\t");
    pdfTextStripper.setSortByPosition(true);

    for (int i = 0; i < document.getNumberOfPages(); i++) {
        pdfTextStripper.setStartPage(i);
        pdfTextStripper.setEndPage(i);
        for (String line : pdfTextStripper.getText(document).split(pdfTextStripper.getParagraphStart())) {
            if (!line.isBlank() && line.length() > 3) {
                dataDocument.getText().add(line);
            }
        }
        dataDocument.getText().add(":page=" + i);
    }

PDFBox版本 #

implementation 'org.apache.pdfbox:pdfbox:2.0.30'

针对Skia生成的这类PDF，可尝试以下几种方法：

• 升级PDFBox版本：2.0.30版本相对老旧，Skia/PDF m118是较新的渲染器，新版本PDFBox对这类PDF的兼容性更好，建议升级到最新稳定版（如2.0.32及以上），很多新PDF格式的解析问题在新版本中已修复。

• 强制开启解析模式：给PDFTextStripper设置setForceParsing(true)，跳过部分兼容性检查，强制解析内容流：

  PDFTextStripper stripper = new PDFTextStripper();
  stripper.setForceParsing(true);
  String text = stripper.getText(document);
  

• 自定义PDFStreamEngine解析：如果默认文本提取失效，可直接遍历页面内容流，手动处理文本绘制指令：

  PDDocument doc = PDDocument.load(new File("目标文件路径"));
  for (PDPage page : doc.getPages()) {
      PDFStreamEngine engine = new PDFStreamEngine() {
          @Override
          protected void processOperator(Operator operator, List<COSBase> operands) throws IOException {
              String opName = operator.getName();
              // 处理单文本块指令
              if ("Tj".equals(opName) || "'".equals(opName) || "\"".equals(opName)) {
                  COSString string = (COSString) operands.get(0);
                  System.out.println(string.getString());
              }
              // 处理多文本块数组指令
              else if ("TJ".equals(opName)) {
                  COSArray array = (COSArray) operands.get(0);
                  for (COSBase obj : array) {
                      if (obj instanceof COSString) {
                          System.out.println(((COSString) obj).getString());
                      }
                  }
              }
              super.processOperator(operator, operands);
          }
      };
      engine.processPage(page);
  }
  doc.close();
  

• 检查PDF内部结构：用PDFBox自带的PDFDebugger工具查看PDF的内容流和字体编码，确认文本是否以非标准编码存储。如果是编码问题，需要手动映射字体的编码表到Unicode。

内容的提问来源于stack exchange，提问作者zlaja