使用PdfBox加载PDF失败且Adobe无法打开，求解析文件内HTML含义

先理清楚你的问题 #

你尝试用PdfBox的PDDocument pdDocument = PDDocument.load(pdfFile)加载文件，结果失败，连Adobe Acrobat Reader DC都打不开，用NotePad++打开才发现这根本不是PDF，而是一段开头的HTML代码：

<!doctype html>

这段HTML到底是什么意思？ #

我给你逐行拆解：

• <!doctype html>：这是HTML5的文档声明，告诉浏览器（或者任何解析工具）：“我是一个标准的HTML5网页文件”，和PDF半毛钱关系都没有。
• <meta http-equiv="X-UA-Compatible" content="IE=edge, chrome=1" />：这个标签是专门给老版本IE浏览器用的，意思是“用你能支持的最高版本内核来渲染我，要是装了Chrome内核的插件（比如IE Tab）也优先用它”，目的是让网页在IE里显示正常。
• <meta charset="utf-8" />：指定这个HTML文件的字符编码是UTF-8，确保页面里的中文、特殊字符不会乱码。

为什么会出现这种情况？ #

大概率是你下载文件的时候出问题了：

• 可能点击的不是真正的PDF下载链接，而是一个跳转页面、错误页面，或者网站的反爬/验证页面；
• 也有可能文件被错误命名了——比如本来是.html后缀，被改成了.pdf，导致你误以为是PDF文件。

给你的解决建议 #

1. 校验文件真实性：PDF文件的开头一定是%PDF-1.x（比如%PDF-1.7），你可以用文本编辑器打开文件开头看看，如果不是这个，直接放弃用PDF工具加载；
2. 修正文件后缀：把文件后缀改成.html，用浏览器打开看看，说不定能看到完整的网页内容，找到正确的PDF下载入口；
3. 重新获取文件：回到文件来源页面，仔细找真正的PDF下载按钮，避免点到跳转链接；如果是接口获取的，检查接口返回的是不是正确的PDF二进制数据，而不是HTML页面。

内容的提问来源于stack exchange，提问作者Nisarg Patil