Java使用PdfBox读取PDF报U+FB01错误，如何定位该特殊字符

核心问题排查 #

现有代码错误点 #

你提供的代码直接将PDF二进制文件当做纯文本文件读取，这种方式完全无法解析PDF结构化格式中存储的文本内容，自然匹配不到目标字符。PDF文件并非纯文本格式，内部文本、字体、版式都是以二进制结构化节点存储的，必须通过专用的PDF解析工具才能读取到真实的文本内容。

常规工具无法定位的原因 #

大多数桌面PDF阅读器（包括Adobe Reader、Word）会自动将fi这类印刷连字渲染为普通的f+i两个字符，搜索功能也会默认做连字展开映射，因此无法直接搜索定位到原始的U+FB01编码字符。 #

正确实现方案 #

你已经在使用PdfBox工具库，直接通过PdfBox的底层文本解析API即可实现字符定位与替换：

1. 字符定位实现代码 #

通过自定义PDFTextStripper重写字符处理方法，可精准匹配目标字符并获取其所在页码、坐标等位置信息：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;
import java.io.File;
import java.io.IOException;

public class FindSpecialChar {
    public static void main(String[] args) throws IOException {
        File pdfFile = new File("spec.pdf");
        try (PDDocument doc = PDDocument.load(pdfFile)) {
            PDFTextStripper stripper = new PDFTextStripper() {
                @Override
                protected void processTextPosition(TextPosition text) {
                    String charStr = text.getUnicode();
                    // 匹配U+FB01 fi连字
                    if (charStr != null && charStr.equals("\uFB01")) {
                        System.out.printf("匹配到目标字符，页码：%d，横坐标：%.2f，纵坐标：%.2f%n",
                                getCurrentPageNo(), text.getX(), text.getY());
                    }
                    super.processTextPosition(text);
                }
            };
            // 触发全文档文本解析
            stripper.getText(doc);
        }
    }
}

2. 报错规避与字符替换 #

无法新增字体的场景下，有两种方案可解决PdfBox报错问题：

• 临时规避：添加JVM启动参数-Dorg.apache.pdfbox.rendering.ignoreMissingGlyphs=true，遇到缺失字形时会自动跳过不抛出异常
• 永久修复：提取文本时统一将\uFB01替换为普通的fi两个字符，也可通过PdfBox的文本改写接口直接替换PDF原始内容后重新保存

内容的提问来源于stack exchange，提问作者César Castro Aroche