Java使用PDFBox提取HWP转换PDF文本时出现编码乱码如何解决

DevOps 小满

2026-8-28

问题描述

在Java项目中选用PDFBox库实现PDF文本提取功能，待解析PDF由韩国文字编辑软件HWP编辑完成后转换生成，原有实现代码如下：

@RestController
@RequiredArgsConstructor
public class QuestionController {
    private final QuestionParseService questionParseService;

    @GetMapping("/")
    public ResponseEntity<?> parsePDF() throws IOException {
        return ResponseEntity.ok(questionParseService.parsePDF());
    }
}

@Service
public class QuestionParseService {
    public String parsePDF() throws IOException {
        File file = new File("filePath");
        PDDocument document = PDDocument.load(file);
        PDFTextStripper s = new PDFTextStripper();
        String content = s.getText(document);
        return content;
    }
}

接口返回的第1题提取结果存在乱码，数学符号、部分数字无法正常识别，示例乱码内容如下：



×
 

의 값은? [2점]
①  ②  ③  ④  ⑤ 

需要调整配置或代码，实现编码正常、包含数学公式在内的PDF文本内容提取。

问题根因

HWP转换生成PDF时，内置的数学公式、部分特殊字符使用私有编码的嵌入子集字体，这类字体大多没有附带标准ToUnicode字符映射表，PDFBox默认的PDFTextStripper无法通过内置规则匹配到正确的Unicode字符，就会输出乱码。另外原有代码存在两个明显问题：一是没有释放PDDocument占用的资源，高并发场景下会出现文件句柄泄漏；二是没有开启位置排序，HWP导出PDF的文本块不是按阅读顺序写入，不开排序会出现内容顺序错乱。

解决方案

基础适配：调整PDFTextStripper配置，补充HWP字体映射
首先开启位置排序和格式化选项，手动加载本地存放的HWP常用字体（含巴塘体、HWP数学公式字体等ttf/otf格式字体文件）作为 fallback 映射，代码调整如下：

@Service
public class QuestionParseService {
    public String parsePDF() throws IOException {
        File file = new File("filePath");
        // 使用try-with-resources自动关闭文档资源，避免句柄泄漏
        try (PDDocument document = PDDocument.load(file)) {
            PDFTextStripper stripper = new PDFTextStripper();
            // 开启按坐标排序，适配HWP导出PDF的文本排版顺序
            stripper.setSortByPosition(true);
            stripper.setAddMoreFormatting(true);
            // 加载本地HWP字体目录下的所有字体作为 fallback
            File hwpFontDir = new File("/your/local/hwp-fonts/path");
            DefaultFontMapper fontMapper = new DefaultFontMapper();
            File[] fontFiles = hwpFontDir.listFiles((dir, name) -> 
                name.endsWith(".ttf") || name.endsWith(".otf")
            );
            if (fontFiles != null) {
                for (File fontFile : fontFiles) {
                    fontMapper.getFonts().put(fontFile.getName(), fontFile.getAbsolutePath());
                }
            }
            return stripper.getText(document);
        }
    }
}

高精度提取适配：纯文本提取+OCR补全
对数学公式集中、私有编码无法映射的区域，先用PDFRenderer将对应PDF页面渲染为图片，再调用支持韩文、数学公式识别的OCR引擎（如Tesseract搭配韩文训练包、数学公式识别模型）做二次识别，将识别结果和纯文本提取结果拼接修正，解决无映射字体的识别问题。
组件替换：如果适配成本过高，可更换为内置HWP字体映射规则的PDF解析组件，这类组件针对韩系文档做了专项适配，不需要手动配置字体就能正常提取韩文和数学公式内容。

内容的提问来源于stack exchange，提问作者keunhyung