使用Tika解析PDF文件出现乱码的原因及解决方法

可能原因 #

• PDF采用了自定义字符编码或非标准字体映射规则：第三方PDF阅读器会自动适配嵌入字体或编码映射，而Tika的默认解析逻辑未覆盖这类特殊情况，导致字符映射错误产生乱码。
• Tika的AutoDetectParser未正确识别该PDF的编码格式，默认解析组件对部分小众编码的支持不足。
• PDF文本存在隐性权限限制：虽然外部阅读器可正常打开，但Tika默认解析流程未绕过这类限制，无法获取正确的文本数据流。

修复方案 #

1. 显式使用PDFParser并配置解析参数 #

替换通用的AutoDetectParser为专门的PDFParser，并配置字体提取和编码相关参数，适配特殊PDF的解析需求：

PDFParser parser = new PDFParser();
BodyContentHandler handler = new BodyContentHandler();
Metadata metadata = new Metadata();
ParseContext context = new ParseContext();

// 配置PDF解析参数，启用精准的文本提取逻辑
PDFParserConfig config = new PDFParserConfig();
config.setExtractTextForAccessibility(true); // 适配权限限制场景
config.setExtractInlineImages(false); // 聚焦文本解析，排除干扰
parser.setPDFParserConfig(config);

parser.parse(fileData, handler, metadata, context);

2. 补充字体文件到解析环境 #

若PDF使用了非通用嵌入字体，Tika可能缺少对应字体文件来完成字符映射。可将系统字体（如Windows的宋体、黑体）或从PDF中提取的嵌入字体，放到Tika的字体搜索目录，或通过代码指定路径：

// 设置Tika的字体搜索目录，替换为你的字体文件夹路径
System.setProperty("tika.fonts.directory", "/usr/share/fonts/custom");

3. 直接使用底层依赖PDFBox处理 #

Tika的PDF解析基于Apache PDFBox，直接使用PDFBox可更精细控制解析逻辑：

PDDocument document = PDDocument.load(fileData);
PDFTextStripper textStripper = new PDFTextStripper();
// 强制指定UTF-8编码，适配多数文本场景
textStripper.setEncoding("UTF-8");
// 按页面顺序提取文本，避免内容错乱
textStripper.setSortByPosition(true);

String parsedText = textStripper.getText(document);
document.close();

若仍有乱码，可通过PDPage.getResources().getFonts()获取PDF中的字体信息，针对性补充对应字体文件。

4. 调整字符编码检测逻辑 #

在获取解析结果后，尝试用不同编码格式重新解码，比如：

String rawText = handler.toString();
// 尝试用GBK、ISO-8859-1等编码重新解码
String correctedText = new String(rawText.getBytes("ISO-8859-1"), "UTF-8");

内容的提问来源于stack exchange，提问作者alexanoid