关于PDFBox读取Identity-H编码的乱码问题，附pdf

shappy1978

浏览: 700240 次
性别:
来自: 广州

最近访客更多访客>>

u012363178

lingzhixue

hsjiang79

bobby318

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

博客分类：

J2EE

junit Java Eclipse Apache SUN

软件版本：pdfbox-0.8.0-incubating

PDF转换软件：Adobe Acrobat6.0,Foxit PDF Creator

问题描述：用比较专业的Foxit PDF Creator转换没有问题，用Acrobat转换时，转换出的pdf可以正常用Adobe Reader打开，但是用pdfbox打开出现乱码。

转换方法，打开word文件，选择打印，选择打印机如图

转换后可以看到pdf的字体有所不同，是Identity－H

而用Foxit转换出来的正常可以读取的pdf文件字体应该是UniGB-USC2-H

所以字体应该出现在字体编码上，不知道有没有解决方案。运行结果如下：

解析pdf的源码如下：

	public void testPDF() {
		try {
			String ts = GetTextFromPdf("c:\\temp\\test.pdf");
			System.out.println(ts);
		} catch (Exception e) {
			e.printStackTrace();
		}
	}

	public String GetTextFromPdf(String filename) throws Exception {
		String temp = null;
		PDDocument pdfdocument = null;
		FileInputStream is = new FileInputStream(filename);
		PDFParser parser = new PDFParser(is);
		parser.parse();
		pdfdocument = parser.getPDDocument();
		PDFTextStripper ts = new PDFTextStripper();
		String content = ts.getText(pdfdocument);
		return content;
	}

附件中有word文件和异常的pdf文件。

× 建议用其他包转换的勿复

//*********************************************************

今天下载了1.1.0版本，惊喜的发现，不仅解决了UniGB-UCS2-H问题，而且Identity-H编码的问题也得到解决了，还解决了以前一个不大不小的bug，容易在文字中出现空格，到底是官方升级的好阿，比自己杂七杂八揍了一堆补丁要舒服多了。顺利通过了自己的十来个测试样本，只有一个嵌入字体的pdf出现问题，异常如下：

java.lang.NoClassDefFoundError: org/bouncycastle/jce/provider/BouncyCastleProvider

at org.apache.pdfbox.pdmodel.PDDocument.openProtection(PDDocument.java:1098)

at org.apache.pdfbox.pdmodel.PDDocument.decrypt(PDDocument.java:579)

at org.apache.pdfbox.util.PDFTextStripper.writeText(PDFTextStripper.java:235)

at org.apache.pdfbox.util.PDFTextStripper.getText(PDFTextStripper.java:180)

at testPDFBox.GetTextFromPdf(testPDFBox.java:56)

at testPDFBox.testPDF(testPDFBox.java:32)

at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)

at sun.reflect.NativeMethodAccessorImpl.invoke(Unknown Source)

at sun.reflect.DelegatingMethodAccessorImpl.invoke(Unknown Source)

at java.lang.reflect.Method.invoke(Unknown Source)

at junit.framework.TestCase.runTest(TestCase.java:168)

at junit.framework.TestCase.runBare(TestCase.java:134)

at junit.framework.TestResult$1.protect(TestResult.java:110)

at junit.framework.TestResult.runProtected(TestResult.java:128)

at junit.framework.TestResult.run(TestResult.java:113)

at junit.framework.TestCase.run(TestCase.java:124)

at junit.framework.TestSuite.runTest(TestSuite.java:232)

at junit.framework.TestSuite.run(TestSuite.java:227)

at org.junit.internal.runners.OldTestClassRunner.run(OldTestClassRunner.java:76)

at org.eclipse.jdt.internal.junit4.runner.JUnit4TestReference.run(JUnit4TestReference.java:38)

at org.eclipse.jdt.internal.junit.runner.TestExecution.run(TestExecution.java:38)

at org.eclipse.jdt.internal.junit.runner.RemoteTestRunner.runTests(RemoteTestRunner.java:460)

at org.eclipse.jdt.internal.junit.runner.RemoteTestRunner.runTests(RemoteTestRunner.java:673)

at org.eclipse.jdt.internal.junit.runner.RemoteTestRunner.run(RemoteTestRunner.java:386)

at org.eclipse.jdt.internal.junit.runner.RemoteTestRunner.main(RemoteTestRunner.java:196)

下载bcprov-jdk15-133.jar包后，不再提示找不到类，出现解析错误：

2010-4-7 15:26:28 org.apache.pdfbox.filter.FlateFilter decode

严重: Stop reading corrupt stream

java.io.IOException: Error: Expected an integer type, actual=''

at org.apache.pdfbox.pdfparser.BaseParser.readInt(BaseParser.java:1275)

at org.apache.pdfbox.pdfparser.PDFObjectStreamParser.parse(PDFObjectStreamParser.java:81)

at org.apache.pdfbox.cos.COSDocument.dereferenceObjectStreams(COSDocument.java:449)

at org.apache.pdfbox.pdmodel.PDDocument.openProtection(PDDocument.java:1100)