使用Files.readAllLines读取PDF转出文本时出现MalformedInputException异常如何解决

错误原因 #

• 编码不匹配：你代码中使用FileWriter、FileReader读写文件时，默认采用当前操作系统的原生编码（Windows环境通常为GBK），但PDFTextStripper提取的PDF文本多为UTF-8编码，包含的特殊字符（如货币符号、特殊格式分隔符）无法被GBK正确编码存储，后续Files.readAllLines默认以UTF-8读取编码错误的文件内容时，就会抛出MalformedInputException: Input length = 1异常。
• 逻辑冗余错误：你已经通过LineNumberReader逐行读取文件，找到匹配交易行后不需要重复调用Files.readAllLines读取整个文件，且当前报错行写的.get(0)是取文件第一行，完全不符合你要取匹配行后第4行金额的需求。

修复方案 #

统一所有文件读写的编码为UTF-8，同时优化行读取逻辑，避免重复IO操作，修复后的代码如下：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import java.io.*;
import java.nio.charset.StandardCharsets;

public class BankStatementExtract {
    public static void main(String[] args) throws IOException {
        File file = new File("C:\\Users\\wmsai\\Desktop\\BankStatement.pdf");
        PDFTextStripper stripper = new PDFTextStripper();
        // 写文件时显式指定UTF-8编码
        BufferedWriter bw = new BufferedWriter(new OutputStreamWriter(new FileOutputStream("bankData"), StandardCharsets.UTF_8));
        String pdfText = stripper.getText(PDDocument.load(file)).toUpperCase();
        bw.write(pdfText);
        bw.flush();
        bw.close();

        // 读文件时显式指定UTF-8编码
        LineNumberReader lineNum = new LineNumberReader(new InputStreamReader(new FileInputStream("bankData"), StandardCharsets.UTF_8));
        String aspenHomeImpro = "PAYMENT: ACH: ASPEN HOME IMPRO";
        String line;
        while ((line = lineNum.readLine()) != null) {
            if (line.contains(aspenHomeImpro)) {
                // 找到匹配行后，继续往下读4行拿到金额行，无需重复读取整个文件
                String targetLine = null;
                for (int i = 0; i < 4; i++) {
                    targetLine = lineNum.readLine();
                }
                // 输出金额行内容，此处可自行加逻辑提取金额数值
                System.out.println("对应金额行内容：" + targetLine);
                break;
            }
        }
        lineNum.close();
    }
}

如果确实需要用Files.readAllLines的方式读取，也需要显式传入UTF-8编码参数：
String aspenData = Files.readAllLines(Paths.get("bankData"), StandardCharsets.UTF_8).get(你需要的行索引);

内容的提问来源于stack exchange，提问作者Wyatt