Java PDFBox提取PDF页面异常：仅提取第1页且输出重复

嘿，我之前用PDFBox提取非连续页面时也踩过一模一样的坑，来帮你排查下问题！

核心问题分析 #

你提到设置了stripper.setStartPage(3)但还是提取不到第3页，而且输出重复，大概率是两个原因：

1. 没设置结束页（endPage）：PDFTextStripper默认的endPage是Integer.MAX_VALUE，如果你只设了startPage(3)，它会提取从第3页到文档最后一页的所有内容——但如果你的代码里之前已经提取过第1页，可能因为stripper的状态没重置，导致内容混在一起；
2. 输出流未清空/重用：如果你多次提取时用了同一个输出流（比如ByteArrayOutputStream），之前的内容会被追加进去，就会出现重复输出的情况。

解决方法：单独提取每一页，重置stripper和流 #

要提取非连续的页面（比如第1和第3页），最稳妥的方式是为每个目标页单独创建PDFTextStripper实例，同时明确设置startPage和endPage为同一个页码，并且每次用新的输出流。

给你写个可直接用的代码示例：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import java.io.ByteArrayOutputStream;
import java.io.File;
import java.io.IOException;
import java.io.OutputStreamWriter;
import java.nio.charset.StandardCharsets;

public class PDFPageExtractor {
    public static void main(String[] args) {
        File targetPdf = new File("your-document.pdf"); // 替换成你的PDF路径
        
        try (PDDocument document = PDDocument.load(targetPdf)) {
            // 分别提取第1页和第3页
            String page1Content = extractSinglePage(document, 1);
            String page3Content = extractSinglePage(document, 3);
            
            // 输出结果
            System.out.println("=== 第1页内容 ===");
            System.out.println(page1Content);
            System.out.println("\n=== 第3页内容 ===");
            System.out.println(page3Content);
        } catch (IOException e) {
            System.err.println("处理PDF时出错：" + e.getMessage());
            e.printStackTrace();
        }
    }

    /**
     * 提取PDF中指定页码的文本内容
     * @param document 已加载的PDDocument实例
     * @param pageNumber 目标页码（从1开始）
     * @return 该页的文本内容
     * @throws IOException 处理PDF时的IO异常
     */
    private static String extractSinglePage(PDDocument document, int pageNumber) throws IOException {
        // 每次提取都创建新的stripper，避免状态污染
        PDFTextStripper textStripper = new PDFTextStripper();
        // 同时设置开始和结束页为目标页码，确保只提取这一页
        textStripper.setStartPage(pageNumber);
        textStripper.setEndPage(pageNumber);
        
        // 用新的输出流，避免内容叠加
        try (ByteArrayOutputStream baos = new ByteArrayOutputStream();
             OutputStreamWriter writer = new OutputStreamWriter(baos, StandardCharsets.UTF_8)) {
            textStripper.writeText(document, writer);
            writer.flush();
            return baos.toString(StandardCharsets.UTF_8);
        }
    }
}

额外检查点 #

• 确认你的PDF确实有第3页：如果文档总页数不足3，PDFBox会自动提取最后一页的内容，可能让你误以为没生效；
• 避免重复使用同一个PDFTextStripper实例：如果一定要重用，记得每次提取前调用setStartPage和setEndPage重置，同时清空输出流。

内容的提问来源于stack exchange，提问作者Poltu