pdfBox 返回错误的编码字符

我有一个pdfhttp://www.persianacademy.ir/UserFiles/File/fe1394.pdf http://www.persianacademy.ir/UserFiles/File/fe1394.pdf我想从中提取单词（包含波斯语单词。）。我使用 PDFBox 库来获取单词。这是我的代码：

package ir.blog.stack;

import java.io.File;
import java.io.IOException;

import org.apache.pdfbox.cos.COSDocument;
import org.apache.pdfbox.io.RandomAccessFile;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public class PDFManager {

    public static void main(String[] args) {
        PDFManager pdfManager = new PDFManager();
        pdfManager.setFilePath("/home/saeed/Documents/words.pdf");
        try {
            System.out.println(pdfManager.ToText());
        } catch (IOException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }
    }

    private PDFParser parser;
    private PDFTextStripper pdfStripper;
    private PDDocument pdDoc ;
    private COSDocument cosDoc ;

    private String Text ;
    private String filePath;
    private File file;

    public PDFManager() {

    }
    public String ToText() throws IOException
    {
        this.pdfStripper = null;
        this.pdDoc = null;
        this.cosDoc = null;

        file = new File(filePath);
        parser = new PDFParser(new RandomAccessFile(file,"r")); // update for PDFBox V 2.0

        parser.parse();
        cosDoc = parser.getDocument();
        pdfStripper = new PDFTextStripper();
        pdDoc = new PDDocument(cosDoc);
        pdDoc.getNumberOfPages();
        pdfStripper.setStartPage(1);
        pdfStripper.setEndPage(5);

        // reading text from page 1 to 10
        // if you want to get text from full pdf file use this code
        // pdfStripper.setEndPage(pdDoc.getNumberOfPages());
        Text = pdfStripper.getText(pdDoc);
        return Text;
    }

    public void setFilePath(String filePath) {
        this.filePath = filePath;
    }

}

这是输出的一部分：

° ǽA ° SwA ²j±ÇÇM/SwA ²joÇ Ak¼ÇQ ³Ç«AjA p°oÇ«A ³ÇM BÇU éÇ
BÇM ¤ Ø°A ·ª¦ °j ³ An <»wB®{Sv½p> ° <»wB®z¯BMp> ,<³¯BhQBa> ,<³¯BiRnB\U>
»¯BwC³ÇM ©½o¼¢Moǯnj kǯA²k{ ³TiBw <»wB®{> BM ¨°j ·ª¦ °j ° <³¯Bi> ·ª¦
k{BÇM ³TÇ{Aj j±]° o¯ ßB
UA ¬C nj ³ ºA²kîB RBª¦ ½A ߺÀ«A ³ ©¼MB½»«nj
/jnAk¯
° ²k{tBLTA »¼® Øßi pA j±i »Moî Øßi ° ²k{ ³To£ »Moî Øßi pA B« Øßi

我应该采取额外的行动来获得正确的词语吗？

相关 PDF 根本不包含文本提取所需的信息。您必须尝试使用​​ OCR。

详细

为了成功从 PDF 中提取文本，PDF 必须包含一些有关每个使用的字形表示 Unicode 字符的信息。

PDF 规范描述了以下文本提取过程：

9.10.2 将字符代码映射到 Unicode 值

符合要求的读者可以按照给定的优先级使用这些方法，将字符代码映射到 Unicode 值。特别是，带标签的 PDF 文档应至少提供以下方法之一（请参阅 14.8.2.4.2，“带标签的 PDF 中的 Unicode 映射”）：

• 如果字体字典包含转UnicodeCMap（参见 9.10.3，“ToUnicode CMaps”），使用该 CMap 将字符代码转换为 Unicode。

• 如果字体是使用预定义编码之一的简单字体MacRoman编码, Mac专家编码, or WinAnsi编码，或者有一个编码，其差异数组仅包含取自 Adob​​e 标准拉丁字符集的字符名称以及符号字体中的命名字符集（请参阅附录 D）：

  a) 根据表D.1和字体的对应关系将字符代码映射到字符名称差异 array.

  b) 在 Adob​​e Glyph List（参见参考书目）中查找字符名称以获得相应的 Unicode 值。

• 如果字体是使用表 118 中列出的预定义 CMap 之一的复合字体（Identity–H 和 Identity–V 除外）或其后代 CIDFont 使用 Adob​​e-GB1、Adobe-CNS1、Adobe-Japan1 或 Adob​​e-Korea1人物收集：

  a) 根据字体的 CMap 将字符代码映射到字符标识符 (CID)。

  b) 从字体的 CMap（例如 Adob​​e 和 Japan1）获取其使用的字符集的注册表和排序来电显示系统信息字典。

  c) 通过以注册表-排序-UCS2 格式连接注册表和在步骤 (b) 中获得的排序来构造第二个 CMap 名称（例如，Adobe-Japan1-UCS2）。

  d) 获取具有步骤 (c) 中构造的名称的 CMap（可从 ASN 网站获得；参见参考书目）。

  e)根据步骤(d)中获得的CMap对步骤(a)中获得的CID进行映射，产生Unicode值。

如果这些方法无法生成 Unicode 值，则无法确定字符代码代表什么，在这种情况下，符合要求的读者可以选择自己选择的字符代码。

对于示例 PDF，有问题的字体

• 没有转Unicode maps;
• 是复合的；
• use 身份-H as Encoding;
• have a 来电显示系统信息Adobe-Identity-0 的值。

因此，上面引用的过程无法生成 Unicode 值。

PDF 规范也允许使用实际文本结构元素字典或标记内容序列中的条目，用于覆盖某些内容应表示的文本。

对于示例 PDF，没有实际文本使用条目。

人们可以比 PDF 规范描述的更深入地研究，特别是可以深入研究嵌入式字体程序，以查找有关某些字体字形表示的 Unicode 字符的字体特定信息。

对于示例 PDF，嵌入字体程序

• 不包含字形的 Unicode 值；
• 使用无信息的字形名称，例如“glyph89”。

因此，对于示例 PDF，您很可能必须求助于 OCR。