Apache PdfBox读取PDF文本错乱，寻求正确读取解决方案

我使用以下代码读取PDF文件：

PDDocument document = PDDocument.load(url.openStream());
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition(true);
EarningsData earningsData = new EarningsData();
PDFTextStripper tStripper = new PDFTextStripper();

String pdfText = tStripper.getText(document);
document.close();

读取目标PDF时，原PDF中的行：

31.03.2023 31.12.2022 31.03.2022 31.03.2023 31.03.2022

被读取为：

31.03.2023 3 1.12.2022 31.03.2022 g 1.03.2 023 | 3 1.03.2 022

直接复制粘贴该行也会出现同样问题，说明问题出在PDF本身的文本存储结构，而非PDFBox的Bug，以下是可行的解决方法：

原因分析 #

这种文本错乱是因为PDF底层存储时，字符可能被拆分成独立文本块、编码映射异常，或者文本块的排列顺序与视觉顺序不一致，导致提取工具（包括PDFBox和系统复制功能）无法按视觉顺序拼接文本。

解决方法 #

方法1：基于字符位置重新排序拼接

通过PDFBox获取每个字符的位置坐标，按水平位置排序后重新拼接文本，还原视觉上的正确顺序：

PDDocument document = PDDocument.load(url.openStream());
List<List<TextPosition>> allPageCharacters = new ArrayList<>();

// 遍历每页，收集所有字符的位置信息
for (int pageIndex = 0; pageIndex < document.getNumberOfPages(); pageIndex++) {
    PDFTextStripper positionStripper = new PDFTextStripper() {
        @Override
        protected void writeString(String text, List<TextPosition> textPositions) throws IOException {
            allPageCharacters.add(textPositions);
        }
    };
    positionStripper.setStartPage(pageIndex + 1);
    positionStripper.setEndPage(pageIndex + 1);
    positionStripper.getText(document);
}

// 定位目标行的字符集合（通过包含的特征文本筛选）
List<TextPosition> targetLineChars = null;
for (List<TextPosition> pageChars : allPageCharacters) {
    StringBuilder lineContent = new StringBuilder();
    for (TextPosition tp : pageChars) {
        lineContent.append(tp.getUnicode());
    }
    if (lineContent.toString().contains("31.03.2023") && lineContent.toString().contains("31.12.2022")) {
        targetLineChars = pageChars;
        break;
    }
}

// 按水平坐标排序并拼接字符
if (targetLineChars != null) {
    targetLineChars.sort(Comparator.comparingDouble(TextPosition::getXDirAdj));
    StringBuilder correctedText = new StringBuilder();
    for (TextPosition tp : targetLineChars) {
        correctedText.append(tp.getUnicode());
    }
    // 进一步清洗多余空格或错误字符
    correctedText = new StringBuilder(correctedText.toString().replaceAll("\\s+", "      ").replace("g", "3").replace("|", ""));
    System.out.println("修正后文本：" + correctedText);
}

document.close();

方法2：使用区域提取+文本清洗

利用PDFTextStripperByArea精准定位目标行所在区域，提取后对错误字符进行清洗：

PDDocument document = PDDocument.load(url.openStream());
PDFTextStripperByArea areaStripper = new PDFTextStripperByArea();
areaStripper.setSortByPosition(true);

// 需先通过PDF编辑器（如Adobe Acrobat）获取目标行的坐标范围（x, y, 宽度, 高度）
// 示例坐标需根据实际PDF调整
areaStripper.addRegion("dateRegion", new Rectangle2D.Double(150, 480, 700, 30));

// 提取第一页的目标区域文本（假设目标行在第一页）
PDPage targetPage = document.getPage(0);
areaStripper.extractRegions(targetPage);
String rawDateText = areaStripper.getTextForRegion("dateRegion");

// 清洗错误字符和多余分隔符
String cleanedText = rawDateText.replace("g", "3")
                               .replace(" | ", "      ")
                               .replaceAll("\\s+", "      ")
                               .trim();
System.out.println("清洗后文本：" + cleanedText);

document.close();

方法3：OCR识别（备选方案）

如果上述方法仍无法解决，可将PDF页面渲染为图像，再用OCR工具（如Tesseract）识别文本，适合文本结构严重异常的PDF：

PDDocument document = PDDocument.load(url.openStream());
PDFRenderer renderer = new PDFRenderer(document);
BufferedImage pageImage = renderer.renderImageWithDPI(0, 300); // 渲染第一页为300DPI图像

// 使用Tesseract OCR识别图像中的文本
Tesseract tesseract = new Tesseract();
tesseract.setDatapath("tessdata路径");
tesseract.setLanguage("eng");
String ocrText = tesseract.doOCR(pageImage);

// 从OCR结果中提取目标行文本（可通过字符串匹配筛选）
document.close();

内容的提问来源于stack exchange，提问作者Kannan J