检测 PDF 中缺失/损坏的 Unicode 映射

Question

从某些 PDF 中提取文本时，PDFBox 会返回胡言乱语。这是因为 Unicode 映射丢失或损坏。我可以在控制台上看到以下警告。我希望能够检测到这一点，以便能够将这些PDF标记为损坏。我正在寻找一种比解析日志更好的解决方案。感谢您的帮助！示例控制台日志：WARNING: No Unicode mapping for CID+32 (32) in font F6 WARNING: Failed to find a character mapping for 32 in TimesNewRoman,Bold下面提到的帖子也讨论了同样的问题，但没有讨论能够在代码端检测到这个问题并处理相同的问题：使用PDFBox从PDF中读取一些Unicode字符的问题

Answer 1

第四种可能性（在Aaron Digulla答案中给出的三种可能性旁边）是在扩展类时覆盖：showGlyph()PDFTextStripper

protected void showGlyph(Matrix textRenderingMatrix, PDFont font, int code, String unicode, Vector displacement) throws IOException

{

    super.showGlyph(textRenderingMatrix, font, code, unicode, displacement);

    if (unicode == null || unicode.isEmpty())

    {

        // do stuff

    }

}

Answer 2

我看到这些解决方案，两者都有点混乱。

解决方案#1：将您自己的过滤器安装到记录器。过滤器可以检查日志消息并设置线程本地标志。调用 后检查标志。不要忘记删除标志，否则您的线程本地映射将填满。getText()

您可以将共享资源日志记录替换为支持 MDC 的其他内容，例如 logback。然后，您可以将该标志放在 MDC 中。

解决方案#2：修补PDFbox的源代码。在类中添加一个 getter：PDSimpleFontPDType0Font

public boolean hadEncodingProblems() {

    return !noUnicode.isEmpty();

}

应该有一种方法可以在调用后获取所有字体。getText()

解决方案#3：使用反射读取字段值（kudos to mkl）。请注意，这可能会随着新的 Java 版本或 SecurityManager 是安装程序或默认版本被激活而中断。