Java - PDFBox - Extracción de texto

Question

He estado usando pdfbox para extraer información de texto de archivos PDF. He analizado con éxito todas las propiedades del texto como fontname, fontface, tamaño, posición, etc.

PROBLEMA: Estoy utilizando pdfbox1.2.1 (última versión). El getCharacter() en la clase TextPosition devuelve la cadena completa excepto el último carácter. El último carácter se analiza como una cadena separada.

Ejemplo: "How are you" se analiza como "How are yo" and "u" (2 cadenas separadas).

no quiero que suceda de esa manera ..

ha llegado a nadie al otro lado de esto? .. estoy haciendo algo mal ?? .. La espera de respuesta ..

Gracias y Saludos, Magggi

Answer 1

Este problema se resuelve.

El siguiente código en processEncodedText(byte[] string) en PDFStreamEngine.java

if(spacingText == 0 && (i + codeLength) < (string.length - 1)) 
{ 
    continue; 
} 

debe cambiarse a

if(spacingText == 0 && (i + codeLength) < (string.length)) 
{ 
    continue; 
} 

Saludos, Maggi

Answer 2

Sí. Este problema está resuelto por pdfbox.
Pruebe la última versión de pdfbox. La última versión se puede descargar de http://pdfbox.apache.org/download.html