iText: missing characters when converting PDF to Text

问题

I am Trying to extract the text from the this pdf using the LocationTextExtractionStrategy.class, but for some reason a number of characters are being dropped during the parsing.

On the first page of the original .pdf;

    【表紙】
    【提出書類】有価証券報告書
    【根拠条文】金融商品取引法第24条第１項
    【提出先】近畿財務局長
    【提出日】平成22年６月28日
    【事業年度】第27期（自　平成21年４月１日　至　平成22年３月31日）
    【会社名】株式会社カネミツ
    【英訳名】KANEMITSU CORPORATION

Resulting text output has numbers such as 22,28 and the english text "KANEMATSU" missing;

    【表紙】
    【提出書類】 有価証券報告書
    【根拠条文】 金融商品取引法第条第１項
    【提出先】 近畿財務局長
    【提出日】 平成年６月日
    【事業年度】 第期（自　平成年４月１日　至　平成年３月日）
    【会社名】 株式会社カネミツ
    【英訳名】

Here's the code...

    PdfReader reader = new PdfReader(sourceFileUrl);
    String strategyClass =         “com.itextpdf.text.pdf.parser.LocationTextExtractionStrategy.class”

    int n = reader.getNumberOfPages();
    for(int I = 1; I < n; i++) {
    TextExtractionStrategy strategy = (TextExtractionStrategy) Class.forName(strategyClass).newInstance();
            String text = PdfTextExtractor.getTextFromPage(reader, i,strategy);
    …
    }

I have reviewed other questions of a similar nature on SO, this page is similar although i am able to copy the text from the pdf directly so this is probably a different issue.

来源：https://stackoverflow.com/questions/29254678/itext-missing-characters-when-converting-pdf-to-text

标签

pdf

itext