PDFBox调用setStartPage/setEndPage读取指定PDF页面内容失效

• 低版本PDFBox存在页面树解析bug：2.0.20之前的版本在处理带嵌套层级页面树的PDF时，页码索引计算会出现重复遍历的问题，导致设置的页码范围不生效。你使用的官方样例PDF是最简单的单层级页面树结构，不会触发这个bug，而你下载的特定PDF如果用了多层嵌套页面树，就会返回全文档内容。
• 加载方式不兼容线性化PDF：如果你下载的PDF是做过Web优化的线性化格式，使用FileInputStream顺序流加载时，PDFBox无法正确解析页面索引映射，会默认读取全文档内容。结构简单的样例PDF不会触发这个问题，结构复杂的线性化PDF很容易出现页码配置失效。
• 物理页码与逻辑页码混淆：部分PDF会给目录、前言设置罗马数字等独立的页码标签，阅读器里显示的页码和PDF实际的物理页序号存在偏移，你传入的页码值对应的不是你预期的页面。
• PDF文件本身损坏：如果下载的文件存在字节缺失、页面对象引用异常，PDFBox容错解析时会生成错误的页码映射，导致页码范围配置失效。

• 第一步先升级PDFBox依赖到2.0.x系列的最新稳定版本，2.0.21及之后的版本已经修复了嵌套页面树的页码计算bug，80%以上的同类问题升级后即可解决。
• 替换PDF加载逻辑，不要手动创建FileInputStream传入PDDocument.load()方法，直接传入File对象，让PDFBox用随机访问模式读取文件，避免线性化PDF的解析异常，修正后的核心代码如下：

File file = new File(home + "/Downloads/" + fileDownloaded);
// 直接加载File对象，无需手动创建输入流
PDDocument pdfDoc = PDDocument.load(file);
PDFTextStripper reader = new PDFTextStripper();
reader.setStartPage(1);
reader.setEndPage(1);
String pageText = reader.getText(pdfDoc);
// 处理完成后务必关闭文档释放资源
pdfDoc.close();

• 如果前两步操作后仍然异常，先调用pdfDoc.getNumberOfPages()打印文档识别到的总页数，和你本地打开PDF看到的实际页数做对比：如果数值不一致，说明文件本身损坏，重新下载完整文件即可；如果数值一致但页码对应内容不对，手动调整传入setStartPage、setEndPage的数值，匹配物理页的实际序号即可，注意这两个方法的参数是从1开始计数的物理页序号，不是阅读器显示的逻辑页码。

内容的提问来源于stack exchange，提问作者Roger09