如何使用PDFBox修改PDF内容的文本编码？

• 先做问题诊断
  这类编码乱码/异常问题，大多是PDF内部字体编码映射错误（比如自定义编码未关联正确Unicode）或字体嵌入不完整导致的。先用PDFBox的命令行工具提取文本，明确问题细节：
  java -jar pdfbox-app-x.x.x.jar ExtractText -encoding UTF-8 你的PDF文件.pdf 输出文本.txt
  打开输出的文本文件，确认是全文档乱码还是局部字体导致的异常。

• 核心修复步骤（代码实现）
  如果是编码映射错误，通过PDFBox重新关联字体的标准编码（比如WinAnsiEncoding或UTF-8），核心代码如下：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDResources;
import org.apache.pdfbox.pdmodel.font.*;
import java.io.File;

public class FixPdfEncoding {
    public static void main(String[] args) throws Exception {
        PDDocument document = PDDocument.load(new File("你的PDF文件.pdf"));
        for (PDPage page : document.getPages()) {
            PDResources resources = page.getResources();
            for (COSName fontName : resources.getFontNames()) {
                PDFont font = resources.getFont(fontName);
                // 针对不同类型字体重置编码
                if (font instanceof PDType0Font) {
                    ((PDType0Font) font).setEncoding(WinAnsiEncoding.INSTANCE);
                } else if (font instanceof PDType1Font) {
                    ((PDType1Font) font).setEncoding(WinAnsiEncoding.INSTANCE);
                }
                // 若为CJK字体，需确保嵌入对应完整字体，可额外设置CIDFont编码
            }
        }
        document.save("修复后的PDF文件.pdf");
        document.close();
    }
}

注意：如果是中文等CJK字体异常，要确保使用的字体文件包含完整的CJK字符集，必要时替换为已嵌入完整字符的字体。

• 验证修复效果
  再次用PDFBox提取修复后的PDF文本，对比你期望的结果：
  java -jar pdfbox-app-x.x.x.jar ExtractText -encoding UTF-8 修复后的PDF文件.pdf 验证输出.txt
  如果仍有局部异常，需单独排查对应字体的编码映射，手动补充缺失的字符编码映射表。

• 特殊情况处理
  如果你的PDF是扫描件经OCR生成的，编码异常可能是OCR识别错误导致的，这种情况需要重新用专业OCR工具（比如Tesseract）处理后，再用PDFBox整合文本内容。

内容的提问来源于stack exchange，提问作者pathfinder