文章目录
- 一、关于 Apache PDFBox
- 二进制下载
- 构建
- 贡献
- 支持
- 已知限制和问题
- 许可证（另见[LICENSE. txt](https://github.com/apache/pdfbox/blob/trunk/LICENSE.txt)）
- 出口管制
- 二、依赖
- 1、核心组件
- 最低要求
- 字体处理
- XMP元数据
- 使用Maven包含依赖项
- 2、可选组件
- JAI Image I/O
- 公钥加密和签名
- 激活和绑定
- 从命令行使用其他库
- 三、入门
- 1、Maven
- 2、渲染性能
- 四、命令行工具
- 1、解密
- 2、加密
- 3、提取图像
- 4、提取文本
- 5、OverlayPDF
- 6、PDFDebugger
- 7、PDFMerger
- 8、PDFSplit
- 9、PDFToImage
- 10、PrintPDF
- 11、TextToPDF
- 12、WriteDecodedDoc
- 五、常见问题
- 1、一般问题
- 我收到以下Log4J警告消息，如何删除它？
- PDFBox线程安全吗？
- 为什么我会收到“警告：您没有关闭PDF文档”？
- 为什么迭代时没有得到所有字段？
- 2、Font Handling
- 我得到 `java.lang.IllegalArgumentException: ... is not available in this font's encoding: WinAnsiEncoding`
- PDFBox是否支持复杂的脚本？
- 我的系统需要什么字体？
- 为什么外部字体在作为资源加载时似乎损坏了？
- 3、PDF Creation
- 我可以使用PDFBox创建复杂的布局吗？
- 我正在创建一个PDF，但我的页面是空的。为什么？
- 4、文本提取
- 为什么提取的文本会以错误的顺序出现？
- 为什么我没有从PDF文档中收到任何文本？
- 为什么我在提取文本时得到胡言乱语（G38G43G36G51G5）？
- "java.io. IOException：不能处理字体宽度"是什么意思？
- 为什么我在某些文档上得到“您没有提取文本的权限”？
- 我们不能只提取文本而不解析整个文档或在解析时提取文本吗？
- 5、PDF渲染
- 我得到一个OutOfMemoryError。我能做什么？
- 为什么有些文本质量差，没有抗锯齿？
- 如何处理IllegalArgumentException“源光栅带和源颜色空间组件的数量不匹配”？
- 为什么渲染时会出现黑色墨迹、黑色污渍、黑云或黑点？
- 为什么某些PDF的打印速度如此之慢？
一、关于 Apache PDFBox
- github : https://github.com/apache/pdfbox
- 官网：https://pdfbox.apache.org/
- Java API : https://javadoc.io/doc/org.apache.pdfbox/pdfbox/latest/index.html
相关教程：
https://blog.csdn.net/qinwenjng120/article/details/105395179
这个Apache PDFBox库是一个用于处理PDF的开源Java工具 文件。该项目允许创建新的PDF文档、操作 现有文档和从文档中提取内容的能力。 PDFBox还包括几个命令行实用程序。PDFBox已发布 在Apache许可证2.0版下。
PDFBox 是Apache软件基金会的一个项目。
二进制下载
您可以下载当前正在开发或更早版本的二进制版本 从我们的下载页面发布。
构建
您需要Java11（或更高）和Maven 3来 构建PDFBox。推荐的构建命令是：
mvn clean install
默认构建将编译Java源代码并将二进制类打包到jar包中。有关所有其他可用的构建选项，请参阅Maven留档。
贡献
有多种方法可以帮助我们改进PDFBox。
- 查看问题跟踪器以帮助我们修复错误。
- 在我们的用户邮件列表中回答问题。
- 帮助我们增强示例
- 帮助我们增强PDFBox文档 或者在GitHub上。
支持
请遵循我们支持页面上的指南。
如果您对如何使用PDFBox有任何疑问，请在 用户邮件列表。 这会让你得到整个社区的帮助。
源代码中的PDFBox示例和测试代码也将提供附加信息。
网站上还有额外的资源，例如 堆栈溢出。
如果您确定您发现了bug请在我们的 问题跟踪器。
已知限制和问题
请参阅问题跟踪器以获取 已知问题和请求功能的完整列表。更多的 常见问题有：
- 您会得到像“G38G43G36G51G5”这样的文本，而不是您在提取文本时所期望的。这是因为字符是一种无意义的内部编码，指向嵌入在PDF文档中的字形。访问文本的唯一方法是使用OCR。这可能是未来的增强功能。
- 您会收到如下错误消息
java.io.IOException: Can't handle font width这可能是因为你没有 org/apache/pdfbox/资源目录在类路径中 解决方案是将apache-pdfbox-x. x.x.jar包含在类路径中。 - 您得到的文本具有正确的字符，但顺序错误。这可能是因为您没有启用排序。PDF文件中的文本以块的形式存储，这些块不需要按照它们在页面上显示的顺序存储。默认情况下，PDFBox不会对文本进行排序。
许可证（另见LICENSE. txt）
集体作品：版权所有2015 Apache软件基金会。
根据一项或多项贡献者许可协议授权给Apache软件基金会（ASF）。有关版权所有权的更多信息，请参阅随本作品分发的通知文件。ASF根据Apache许可证2.0版（“许可证”）将此文件授权给您；除非符合许可证，否则您不得使用此文件。您可以在 https://www.apache.org/licenses/LICENSE-2.0 获取许可证副本：
除非适用法律要求或书面同意，根据许可证分发的软件按“原样”分发，没有任何明示或暗示的保证或条件。有关许可证下管理权限和限制的特定语言，请参阅许可证。
出口管制
此发行版包括加密软件。其中的国家 您目前居住的可能对进口、拥有、使用、 和/或再出口到另一个国家的加密软件。在使用之前 任何加密软件，请查看您所在国家/地区的法律、法规和 关于进口、拥有、使用和再出口的政策 加密软件，看看是否允许。看 https://www.wassenaar.org更多信息。
美国政府商务部工业和安全局（BIS）将该软件归类为出口商品管制号（ECCN）5D002. C.1，其中包括使用或执行具有非对称算法的加密功能的信息安全软件。此Apache软件基金会发行版的形式和方式使其有资格根据许可例外ENC技术软件无限制（TSU）例外（见BIS出口管理条例，第740.13节）对目标代码和源代码进行出口。
以下提供了有关随附加密软件的更多详细信息：
Apache PDFBox使用Java密码体系结构（JCA）和充气城堡库来处理PDF文档中的加密。
二、依赖
本文翻译整理自：https://pdfbox.apache.org/3.0/dependencies.html
1、核心组件
在运行时、开发和测试期间需要这些组件，具体取决于以下详细信息。
这三个PDFBox组件分别命名为pdfbox、fontbox和xmpbox。
最低要求
PDFBox具有以下基本依赖项：
- Java8
- commons-logging
Commons Logging 是不同日志框架的通用包装器，因此您还需要使用日志库，如log4j 或者让公共日志回退到标准的java. util.log API 纳入Java平台。
对于PDFBox预检测试只需要 Comms-io 2.4。
字体处理
字体处理需要 fontbox 组件。
XMP元数据
为了支持XMP元数据，需要 xmpbox 组件。
使用Maven包含依赖项
要将pdfbox、fontbox、xmpbox和公共日志记录jar添加到您的应用程序中，最简单的方法是声明如下所示的Maven依赖项。这将直接为您提供主pdfbox库，并将其他所需的jar作为传递依赖项。
<dependency><groupId>org.apache.pdfbox</groupId><artifactId>pdfbox</artifactId><version>...</version>
</dependency>
将version字段设置为最新的稳定PDFBox版本。
2、可选组件
PDFBox 并未启用所有功能。第三方组件是获得对某些功能的完全支持所必需的。
JAI Image I/O
PDF支持嵌入式图像文件，但是对某些格式的支持需要根据与Apache 2.0许可不兼容的条款分发的第三方库：
- 读取JBIG2图像：JBIG2 ImageIO
- 读取**JPEG 2000（JPX）**图像：JAI Image I/O工具
- 编写TIFF图像还需要JAI Image I/O Tools Core。
这些库是可选的，如果类路径上存在，将加载这些库，否则将禁用对这些图像格式的支持，并在遇到不受支持的图像时记录警告。
这些组件的Maven依赖项可以在父/pom. xml中找到。如果需要，请更改组件的范围。请确保任何第三方许可证都适合您的项目。
要包含JBIG2库，可以将以下部分包含在您的项目pom. xml中：
<dependency><groupId>org.apache.pdfbox</groupId><artifactId>jbig2-imageio</artifactId><version>...</version>
</dependency>
要包含JAI功能，可以将以下部分包含在您的项目pom. xml中：
<dependency><groupId>com.github.jai-imageio</groupId><artifactId>jai-imageio-core</artifactId><version>...</version>
</dependency>
<dependency><groupId>com.github.jai-imageio</groupId><artifactId>jai-imageio-jpeg2000</artifactId><version>...</version>
</dependency>
为了获得更可靠的JPEG解码，TwelveMonkey库中的以下部分可以包含在您的项目pom. xml中：
<dependency><groupId>com.twelvemonkeys.imageio</groupId><artifactId>imageio-jpeg</artifactId><version>...</version>
</dependency>
公钥加密和签名
公钥加密和签署PDF需要来自充气城堡军团的bcprov、bcmail和bcpkix库。这些可以使用以下依赖项包含在您的Maven项目中：
<dependency><groupId>org.bouncycastle</groupId><artifactId>bcprov-jdk18on</artifactId><version>1.78.1</version>
</dependency><dependency><groupId>org.bouncycastle</groupId><artifactId>bcmail-jdk18on</artifactId><version>1.78.1</version>
</dependency><dependency><groupId>org.bouncycastle</groupId><artifactId>bcpkix-jdk18on</artifactId><version>1.78.1</version>
</dependency>
检查更新版本的充气城堡库总是一个好主意。如果您使用的是更新的java版本，您也可以调整artifactId。
激活和绑定
从jdk9开始，激活和绑定库已从jdk中删除。预检和一些示例需要它们。
这些可以使用以下依赖项包含在您的Maven项目中：
<dependency><groupId>javax.xml.bind</groupId><artifactId>jaxb-api</artifactId><version>2.3.1</version></dependency><dependency><groupId>javax.activation</groupId><artifactId>activation</artifactId><version>1.1.1</version></dependency>
检查较新版本的库总是一个好主意。如果您使用的是更新的java版本，您也可以调整artifactId。
从命令行使用其他库
使用其中一个命令行应用程序时，将jar文件复制到“lib”子目录并像这样运行应用程序（在Windows上使用“；”而不是“：”）：
java -cp "pdfbox-app-3.0.2.jar:./lib/*" org.apache.pdfbox.tools.PDFBox args
或者
java -cp "preflight-app-3.0.2.jar:./lib/*" org.apache.pdfbox.preflight.Validator_A1b args
三、入门
1、Maven
要使用最新版本，您需要添加以下依赖项：
<dependency><groupId>org.apache.pdfbox</groupId><artifactId>pdfbox</artifactId><version>3.0.2</version>
</dependency>
2、渲染性能
自 PDFBox2.0.4
PDFBox 2.0.4 引入了新的命令行设置
-Dorg.apache.pdfbox.rendering.UsePureJavaCMYKConversion=true
这可能会提高在某些系统上渲染PDF的性能，尤其是当页面上有很多图像时。
四、命令行工具
PDFBox 带有一系列命令行实用程序。它们可作为标准Java应用程序使用。
有关如何设置类路径以便运行的说明，请参阅依赖项页面 PDFBox工具作为Java应用程序。
1、解密
此应用程序将解密PDF文档。
注意：您必须拥有所有者密码才能解密文档！
用法：java -jar pdfbox-app-3.y.z.jar decrypt [OPTIONS] -i=<infile>
| 命令行参数 | 描述 |
|---|---|
| -alias= | 密钥库中证书的别名。 |
| -h，–help | 显示帮助消息并退出。 |
| -i，–enter= | 要解密的PDF文件。 |
-keyStore=<keyStore> | 持有证书以解密文档的密钥库的路径。仅当文档使用证书加密时才需要此路径，否则只需要密码。 |
-o，--out=<outfile> | 要保存解密文档的文件。如果留空，则它将与输入文件相同。 |
-password=[<password>] | 密钥库中PDF或证书的密码。 |
| -V，–version | 打印版本信息并退出。 |
2、加密
此应用程序将加密PDF文档。
用法：java -jar pdfbox-app-3.y.z.jar encrypt [OPTIONS] -i=<infile>
| 命令行参数 | 默认 | 描述 |
|---|---|---|
| -canAssemble | true | 设置汇编权限。 |
| -canExtractContent | true | 设置提取权限。 |
| -canExtractForAccessibility | true | 设置提取权限。 |
| -canFillInForm | true | 设置填写表单权限。 |
| -canModify | true | 设置修改权限。 |
| -canModifyAnnotations | true | 设置修改注释权限。 |
| -canPrint | true | 设置打印权限。 |
| -canPrintFaiity | true | 设置打印忠实权限。 |
-certFile=<certFile> | X.509证书文件的路径。 | |
| -h，–help | 显示帮助消息并退出。 | |
-i，--enter=<infile> | 要加密的PDF文件。 | |
| -keyLlong | 256 | 密钥长度（以位为单位）（有效值：40、128或256） |
-o，--out=<outfile> | 加密的PDF文件 | |
-O=[<ownerPassword>] | 设置所有者密码（如果设置了certFile则忽略） | |
-U=[<userPassword>] | 设置用户密码（如果设置了certFile则忽略） | |
| -V，–version | 打印版本信息并退出。 |
3、提取图像
此应用程序将从给定的PDF文档中提取所有图像。
用法：java -jar pdfbox-app-3.y.z.jar export:images [OPTIONS] -i=<infile>
| 命令行参数 | 描述 |
|---|---|
| -h，–help | 显示帮助消息并退出。 |
-i，--enter=<infile> | 要解密的PDF文件。 |
| -noColorConvert | 如果可能，图像将使用其原始颜色空间提取。 |
-password=[<password>] | 密钥库中PDF或证书的密码。 |
-prefix=<prefix> | 图像前缀（默认为pdf名称）。 |
| -useDirectJPEG | 强制直接提取JPEG/JPX图像，无论颜色空间或掩码如何。 |
| -V，–version | 打印版本信息并退出。 |
4、提取文本
此应用程序将从给定的PDF文档中提取所有文本。
用法：java -jar pdfbox-app-3.y.z.jar export:text [OPTIONS] -i=<infile>
| 命令行参数 | 默认 | 描述 |
|---|---|---|
| -alwaysNext | false | 进程下一页（如果适用）尽管有IOException（-html时忽略） |
| -console | false | 发送文本到控制台而不是文件。 |
| -debug | false | 启用关于每个阶段的时间消耗的调试输出。 |
| -编码=<编码> | UTF-8 | 文本文件的编码类型，例如。UTF-8或ISO-8859-1、UTF-16BE、UTF-16LE等 |
-encoding=<encoding> | 整数。MAX_INT | 要提取的最后一页（基于1，含1） |
| -h，–help | 显示帮助消息并退出。 | |
| -html | false | 以超文本标记语言格式输出，而不是原始文本。 |
-i，--enter=<infile> | 要加密的PDF文件。 | |
| -ignoreBeads | false | 禁用 beads 分隔。 |
-o，--out=<outfile> | 导出的文本文件。 | |
-password=[<password>] | 密钥库中PDF或证书的密码。 | |
| -rotationMagic | false | 分析每个页面的旋转/倾斜文本，旋转到0°并单独提取（较慢，并在-html时忽略） |
| -sort | false | 在写入之前对文本进行排序。 |
-startPage=<startPage> | 1 | 开始提取的第一页 |
| -V，–version | 打印版本信息并退出。 |
5、OverlayPDF
此应用程序将用另一个文档的内容覆盖一个文档
用法：java -jar pdfbox-app-3.y.z.jar overlay [OPTIONS] -i=<infile> -o=<outfile>
| 命令行参数 | 默认 | 说明 |
|---|---|---|
-default=<defaultOverlay> | 默认的覆盖文件。 | |
-even=<evenPageOverlay> | 用于偶数页的覆盖文件。 | |
| -first=<firstPageOverlay | 用于第一页的覆盖文件。 | |
| -h，–help | 显示帮助信息并退出。 | |
-i，--put=<infile> | 要覆盖的PDF文件。 | |
-last=<lastPageOverlay> | 用于最后一页的覆盖文件。 | |
-o，--out=<outfile> | 生成的PDF文件。 | |
-oud=<oddPageOverlay> | 用于奇数页的覆盖文件。 | |
-page=<Integer=specificPageOverlay> | 用于给定页码的覆盖文件，可能会出现不止一次。 | |
-position=<position> | 背景 | 在哪里放覆盖，前景或背景。-useAll |
-useAllPages=<useAllPagesOverlay | 用于叠加的叠加文件，只需重复即可使用所有页面 | |
| -v，–version | 打印版本信息并退出。 |
例子：
overlayPDF -i=input.pdf -default=overlay.pdf -o=output.pdfoverlayPDF -i=input.pdf -default=defaultOverlay.pdf -page="10=overlayForPage10.pdf" -position=FOREGROUND -o=output.pdfoverlayPDF -i=input.pdf -odd=oddOverlay.pdf -even=evenOverlay.pdf -o=output.pdf
6、PDFDebugger
此应用程序将采用现有的PDF文档，并允许分析和检查内部结构。它被用作2.0.0中删除的PDFReader的替代品。
用法：java -jar pdfbox-app-3.y.z.jar debug [inputfile]
| 命令行参数 | 描述 |
|---|---|
| 输入文件 | 要打开的可选PDF文件的名称。 |
| -h，–help | 显示帮助消息并退出。 |
-password=[<password>] | 密码以删除PDF。 |
-viewstructure | 在启动时激活“视图结构”视图。 |
7、PDFMerger
此应用程序将获取pdf文档列表并合并它们，将结果保存在新文档中。
用法：java -jar pdfbox-app-3.y.z.jar merge [-hV] -o=outfile -i=<infile> [-i=<infile>]
| 命令行参数 | 说明 |
|---|---|
| -h，–help | 显示帮助信息并退出。 |
| -i，–put= | 要合并的PDF文件 |
| -o，–out= | 合并的PDF文件。 |
| -V，–version | 打印版本信息并退出。 |
8、PDFSplit
此应用程序将获取现有的PDF文档并将其拆分为多个新文档。
默认情况下，生成的文件将以原始文件名命名，后缀前附加-<nr>。 要覆盖文件名，请使用outputPrefix选项。
用法：java -jar pdfbox-app-3.y.z.jar split [OPTIONS] -i=<infile>
| 命令行参数 | 描述 |
|---|---|
| -endPage= | 结束页面。 |
| -h，–help | 显示帮助消息并退出。 |
| -i，–enter= | 要拆分的PDF文件 |
| –outputPrefix= | 拆分文件的文件名前缀。 |
| -password=[] | PDF的密码。 |
| -spl= | 在这么多页之后拆分（默认为1，如果startPage和endPage未设置）。 |
| -startPage= | 起始页。 |
| -endPage | 要停止的页面。 |
| -V，–version | 打印版本信息并退出。 |
例子：
PDFSplit -split=2 -i=sample_with_13_pages.pdf将pdf分为两页，最后一页只包含一页。PDFSplit -startPage=5 -i=sample_with_13_pages.pdf将提供一份pdf，其中包含从第5页开始的源pdf的所有页面PDFSplit -startPage=5 -endPage=10 -i=sample_with_13_pages.pdf将提供一份pdf，其中包含源pdf的5到10页PDFSplit -split=2 -startPage=5 -endPage=10 -isample_with_13_pages.pdf将提供3个pdf，其中包含源pdf的5到10个页面，每个页面2个页面
9、PDFToImage
此应用程序将为PDF文档中的每个页面创建一个图像。
用法：java -jar pdfbox-app-3.y.z.jar render [OPTIONS] -i=<infile>
| 命令行参数 | 默认 | 描述 |
|---|---|---|
| -color= | rgb | 颜色深度（有效：BINARY、GRAY、RGB、ARGB、BGR） |
| -cropbox= | 要导出的页面区域。 | |
| -dpi, -resolution= | 从屏幕中检测到（如果无头，则为96） | 输出图像的DPI |
| -endPage= | 整数。MAX_INT | 要转换的最后一页，（基于一个，包括一个）。 |
| -format= | jpg | 图像文件格式。 |
| -h，–help | 显示帮助消息并退出。 | |
| -i，–enter= | 要转换的PDF文件。 | |
| -page= | 要提取的唯一页面（基于1）。 | |
| -password=[] | PDF的密码。 | |
| -prefix, -outputPrefix= | PDF文档名称 | 图像文件的文件名前缀 |
| -quality= | 0为PNG和1为其他格式 | 压缩图像时使用的质量（0<=质量<=1）。 |
| -startPage= | 1 | 开始提取的第一页（基于一个） |
| -subSample | 激活子采样（对于具有巨大图像的PDF） | |
| -time | 打印定时信息到标准输出。 | |
| -V，–version | 打印版本信息并退出。 |
10、PrintPDF
此应用程序将向打印机发送pdf文档。
您必须具有正确的权限才能打印文档！
用法：java -jar pdfbox-app-3.y.z.jar print [OPTIONS] -i=<infile>
| 命令行参数 | 默认 | 描述 |
|---|---|---|
| -边框 | 使用边框打印。 | |
| -dpi= | 用特定的dpi渲染成中间图像，然后打印 | |
| -duplex= | 文档 | 使用双工打印（SIMPLEX、DUPLEX、TUMBLE、DOCUMENT）。 |
| -h、–help | 显示帮助消息并退出。 | |
| -i、–enter= | 要打印的PDF文件。 | |
| -mediaSize= | 使用介质大小名称打印。 | |
| -noColorOpt | 禁用颜色优化（打印条形码时很有用）。 | |
| -orientation | 自动 | 打印使用方向（AUTO、LANDSCAPE、PORTRAIT）。 |
| -password=[] | PDF的密码。 | |
| -printerName= | 打印到指定的打印机。 | |
| -silentPrint | 打印没有打印机对话框。 | |
| -tray= | 使用 tray 打印 | |
| -V, --version | 打印版本信息并退出 |
11、TextToPDF
此应用程序将从文本文件创建PDF文档。
用法：java -jar pdfbox-app-3.y.z.jar fromText [OPTIONS] -i=<infile> -o=<outfile>
| 命令行参数 | 默认 | 描述 |
|---|---|---|
| -charset= | UTF-8 | 要使用的字符集。 |
| -fontSize= | 10 | 要使用的字体的大小。 |
| -h，–help | 显示帮助消息并退出。 | |
| -i，–enter= | 要转换的文本文件。 | |
| -横向 | 将方向设置为横向。 | |
| -o，–out= | 生成的PDF文件。 | |
| -pageSize= | LETTER | 要使用的页面大小（LETTER， LEGAL，A0，A1，A2，A3，A4，A5，A6）。 |
| -标准字体=<标准字体> | Helvetica | 用于文本的字体。应该指定this或-ttf，但不能同时指定两者。 |
| -ttf= | 用于文本的TTF字体。应该指定this或-标准字体，但不能同时指定两者。 | |
| -V，–version | 打印版本信息并退出。 |
以下字体名称可用于参数standardFont：
- Courier
- Courier-Bold
- Courier-Oblique
- Courier-BoldOblique
- Helvetica
- Helvetica-Bold
- Helvetica-Oblique
- Helvetica-BoldOblique
- Symbol
- Times-Bold
- Times-Roman
- Times-Italic
- Times-BoldItalic
- ZapfDingbats
12、WriteDecodedDoc
解压缩PDF文档的应用程序。
用法：java -jar pdfbox-app-3.y.z.jar decode [OPTIONS] <input-file> <output-file>
| 命令行参数 | 描述 |
|---|---|
| input-file | 的PDF文档解压 |
| output-file | 的PDF文件顶部保存到 |
| -h，–help | 显示帮助消息和退出。 |
| -password=[] | PDF的密码。 |
| -skipImages | 不解压缩图像 |
| -V，–version | 打印版本信息并退出。 |
五、常见问题
1、一般问题
我收到以下Log4J警告消息，如何删除它？
log4j:WARN No appenders could be found for logger (org.apache.pdfbox.util.ResourceLoader).
log4j:WARN Please initialize the log4j system properly.
此消息意味着您需要配置log4j日志记录系统。 有关详细信息，请参阅log4j留档。
PDFBox附带一个示例log4j配置文件。要使用它，您可以像这样设置一个系统属性
java -Dlog4j.configuration=log4j.xml org.apache.pdfbox.ExtractText <PDF-file> <output-text-file>
如果这对您不起作用，那么您可能必须使用URL路径指定log4j配置文件，如下所示：
log4j.configuration=file:///<path to config file>
PDFBox线程安全吗？
不！一次只能有一个线程访问单个文档。您可以有多个线程，每个线程都访问它们自己的PDDocument对象。
为什么我会收到“警告：您没有关闭PDF文档”？
您需要在最终块中的PDDocument上调用off（），如果不这样做，文档将无法正确关闭。此外，您必须关闭所有创建的PDDocument对象。以下代码创建两个PDDocument对象；一个来自“new PDDocument（）”，另一个来自load方法。
PDDocument doc = new PDDocument();
try
{doc = PDDocument.loadPDF( "my.pdf" );
}
finally
{if( doc != null ){doc.close();}
}
为什么迭代时没有得到所有字段？
调用 getFieldTree() ，而非 getFields()，后者只返回根级别的字段。
2、Font Handling
我得到 java.lang.IllegalArgumentException: ... is not available in this font's encoding: WinAnsiEncoding
通过查看 PDF Specification 附录D 来检查字符是否在WinAnsiEncoding中可用。
如果没有，但如果此字体可用（在windows中，使用charmap.exe查看），则使用 PDType0Font.load() 加载字体，另请参阅源代码下载中的 EmbeddedFonts.java示例。
PDFBox是否支持复杂的脚本？
感谢捐款，我们支持孟加拉语和拉丁语自3.0.0。 从版本开始3.0.2我们还支持Devanagari和Gujarati。 但是有一些警告：PDFBox将仅支持特定字体中的一种语言，因此它是 最好使用足够具体的字体，例如洛希特字体。 例如，Mangal字体应该是Devangari字体，但PDFBox会选择孟加拉语 因为那个也声称支持，先检查。 无法在3.0.2中停用该功能，但会在3.0.3。 这些功能可能不完整，因为我们还不支持所有GSUB表格式， 而且我们根本不支持GPOS。
我的系统需要什么字体？
Windows或Mac通常具有所需的最少字体。如果这些字体不在“标准14字体”集中，您确实需要未嵌入到PDF中的字体，以及创建PDF时所需的任何特定字体。
对于渲染和文本提取，您需要 PDF规范：Times-Roman、Helvetica、Courier、Symbol、Times-Bold、Helvetica-Bold、Courier-Bold、 符号、ZapfDingbats、Times-Italic、Helvetica-Oblique、Courier-Oblique、Times-BoldItalic、 Helvetica-BoldOblique，Courier-BoldOblique。您可以通过运行在linux上获得大多数这些字体 sudo apt-get install ttf-mscorefonts-installer. Arial和Helvetica一样好。 可以使用MS-Gothic代替ZapfDingbats。 另请参阅此stackoverflow答案关于获取ZapfDingbats 从代笔字体。泰晤士报/快递/Helvetica字体也可以替换为适当的 解放或Nimbus字体。PDFBox使用的确切替换逻辑可以在文件中读取 FontMapperImpl.java从源代码下载。
要仅创建具有“标准14字体”的PDF，不需要额外的字体文件（版本2.0.5或更高版本），因为这些文件没有嵌入，并且PDFBox具有所有指标，不再需要访问实际字体。
为什么外部字体在作为资源加载时似乎损坏了？
如果您的程序在从文件加载字体但从文件加载字体时运行正常 资源，检查是否 资源过滤 在maven构建脚本的maven-resources-plugin中激活，并为字体文件禁用它。 请参阅此stackoverflow回答如何解决此问题。
3、PDF Creation
我可以使用PDFBox创建复杂的布局吗？
我想使用PDFBox创建一个包含多个段落、表格、图像等的复杂布局。PDFBox适合这个目的吗？
PDFBox是一个低级的PDF库，提供了创建页面内容（如文本、图像等）的API。但是在这个时候，它没有提供更高级别的API来进行页面布局、段落处理、自动换行或创建表格等。
但是PDFBox是一些项目的基础，在这种情况下可能会有所帮助。这包括以下项目
- 盒装的
- 盒子桌
- 易用的
- pdfbox布局
- PdfLayoutManager
- pdf格式
您可能还需要考虑使用Apache FOP，它允许从XML数据和模板创建复杂的文档-
我正在创建一个PDF，但我的页面是空的。为什么？
确保在保存之前关闭了内容流。
4、文本提取
为什么提取的文本会以错误的顺序出现？
默认情况下，文本提取的顺序与PDF页面内容流中的文本相同。 PDF是一种图形格式，而不是文本格式，与超文本标记语言不同，它不要求页面上的文本 以一定的顺序呈现。顺序是由创建PDF的软件确定的。 要将文本从左到右，从上到下排序，请使用setSortByPosition(true)。
为什么我没有从PDF文档中收到任何文本？
从pdf文档中提取文本是一项复杂的任务，涉及许多因素会影响文本提取的可能性和准确性。如果您可以尝试几件事，这将对PDFBox团队有所帮助。
- 在Acrobat中打开PDF并尝试从中提取文本。如果Acrobat可以提取文本，那么PDFBox也应该可以，如果不能，那就是bug。如果Acrobat不能提取文本，那么PDFBox“可能”也不能。
- 它可能真的是图像而不是文本。一些PDF文档只是扫描过的图像。您可以通过使用Acrobat中的选择工具来判断，如果您无法选择任何文本，那么它可能是图像。
为什么我在提取文本时得到胡言乱语（G38G43G36G51G5）？
这是因为PDF文档中的字符可以使用自定义编码而不是unicode或ASCII。当您看到乱码文本时，可能意味着正在使用无意义的内部编码。访问文本的唯一方法是使用OCR。这可能是未来的增强功能。
"java.io. IOException：不能处理字体宽度"是什么意思？
这可能意味着“资源”目录不在您的类路径中。Resources目录包含在PDFBox jar中，因此只有在您自己构建PDFBox而不使用二进制文件时才会出现问题。
为什么我在某些文档上得到“您没有提取文本的权限”？
PDF文档具有可以应用于它们的某些安全权限以及与之关联的两个密码，一个用户密码和一个所有者密码。如果设置了“无法提取文本”权限位，那么您需要使用所有者密码解密文档才能提取文本。
我们不能只提取文本而不解析整个文档或在解析时提取文本吗？
不完全是，有几个原因。
- 如果文档是加密的，那么您至少需要解析到加密字典才能解密。
- 有时，PDFont包含文本提取所需的重要信息。
- 页面上的文本不必按阅读顺序绘制。例如：如果页面显示“Hello World”，则可以将pdf编写为绘制“World”，然后光标向左移动并绘制单词“Hello”。
5、PDF渲染
我得到一个OutOfMemoryError。我能做什么？
内存占用取决于PDF本身以及您用于渲染的分辨率。一些可能的选项：
- 启动java时增加
-Xmx值 - 通过使用此代码加载文件来使用临时文件
Loader.loadPDF(file, IOUtils.createTempFileOnlyStreamCache()) - 通过调用
setSubsamplingAllowed(true)在您的PDFRenderer对象激活子采样 - 注意渲染后不要保留图像，例如避免将PDF的所有图像放入
List - 不要忘记关闭
PDDocument对象 - 在调用
PDFRenderer.renderImage()时减小比例，或者在调用PDFRender.renderImageWitDPI（）时减小PDFRenderer.renderImageWithDPI() - 通过调用
PDDocument.setResourceCache()来禁用PDImageXObject对象的缓存，该缓存对象派生自DefaultResourceCache，其调用public void put(COSObject indirect, PDXObject xobject)不执行任何操作。请注意，这会减慢在几页中具有相同图像（例如公司徽标或背景）的PDF文件的渲染速度。更多关于此的信息可以在PDFBOX-3700中阅读。
为什么有些文本质量差，没有抗锯齿？
这是因为在某些PDF中（例如PDFBOX-2814中的），文本不是 直接渲染，但作为背景的形状裁剪。Java图形不支持“软裁剪” https://bugs.openjdk.java.net/browse/JDK-4212743，正因为如此，边缘看起来不光滑。 软剪辑可以通过一些额外步骤来实现， 但是这些会花费额外的时间和内存空间。您可以通过以更高的dpi渲染然后缩小图像来获得更高的质量。
如何处理IllegalArgumentException“源光栅带和源颜色空间组件的数量不匹配”？
遗憾的是，这是Java影像中已知的bug。使用依赖项页面中描述的十二个密钥库。
为什么渲染时会出现黑色墨迹、黑色污渍、黑云或黑点？
这是原始java JPEG2000解码器中的bug，您可以在PDFBOX-1752和相关问题中看到此类图像的示例。 使用较新的（1.4.0或更高）jai-imageio-jpeg2000和jai-imageio-core解码器，如依赖项页面中所述。
为什么某些PDF的打印速度如此之慢？
如果显示渲染在适当的时间内发生，但没有打印， 那么原因可能是透明元素。Java在打印时渲染这些要慢得多， 看这里有一个 解释，和PDFBOX-3046 以及示例文件的相关问题。
一种解决方法是为PDFPageable和PDFPrintable的构造函数使用特定的dpi， 然后PDFBox将渲染成图像 并打印那个。您应该尝试300、600和1200 dpi 命令行应用程序。
2024-08-24（六）
)
