PDFBox 2.0.26无法正确提取Linearized PDF文本，求解决方案

针对你使用org.apache.pdfbox.text.PDFTextStripper 2.0.26版本无法正确提取线性化PDF文本的问题，可通过以下方式解决：

基于PDFBox的解决办法 #

• 升级PDFBox版本：2.0.26属于旧版本，后续的2.0.x更新版及3.x系列修复了大量线性化PDF的解析缺陷。建议升级至最新稳定版，再使用PDFTextStripper提取文本，大部分场景下可直接解决问题。
• 预处理转换PDF结构：若暂时无法升级版本，可先将线性化PDF转换为普通结构。使用PDFBox的PDFMergerUtility合并单个PDF（实质是重新生成非线性化PDF），代码示例：

import org.apache.pdfbox.multipdf.PDFMergerUtility;
import java.io.File;
import java.io.FileOutputStream;

public class LinearizedPdfConverter {
    public static void main(String[] args) throws Exception {
        PDFMergerUtility merger = new PDFMergerUtility();
        merger.addSource(new File("你的线性化PDF路径"));
        merger.setDestinationStream(new FileOutputStream("转换后的PDF路径"));
        merger.mergeDocuments(null);
    }
}

转换完成后再用PDFTextStripper处理即可。

其他替代工具 #

• Apache Tika：基于PDFBox等库封装，对各类PDF兼容性更强，直接调用其文本提取接口就能处理线性化PDF，代码示例：

import org.apache.tika.Tika;
import java.io.File;

public class TikaTextExtractor {
    public static void main(String[] args) throws Exception {
        Tika tika = new Tika();
        String text = tika.parseToString(new File("你的线性化PDF路径"));
        System.out.println(text);
    }
}

• PyMuPDF（fitz）：Python生态中对线性化PDF支持优异的工具，提取代码简洁直观：

import fitz

doc = fitz.open("你的线性化PDF路径")
extracted_text = ""
for page in doc:
    extracted_text += page.get_text()
print(extracted_text)

内容的提问来源于stack exchange，提问作者Korpusova Svetlana