java - 如何设置PDFBox的字符编码

我使用Apache PDFBox建立pdf解析器，解析纯文本后，我运行了一些算法，最后输出了一个json文件。对于某些pdf文件，输出文件包含utf-8编码，对于其他pdf，它包含某种形式的latin-1编码（当在python中打开json文件时，空格显示为“ \ xa0”）。我认为这一定是字体或pdf其他特征的结果吗？

我的阅读纯文本的代码如下

PDDocument document = PDDocument.load(file);

//Instantiate PDFTextStripper class
PDFTextStripper pdfStripper = new PDFTextStripper();

//Retrieving text from PDF document
String text = pdfStripper.getText(document);

//Closing the document
document.close();

我试过只保存纯文本：

PrintWriter out = new PrintWriter(outPath + ".txt");
out.print(text);

如果将该纯文本文件读入dictionary，则即使在python中打开此纯文本文件也会产生“ \ xa0”字符而不是空格，从而产生以下结果：


  dict_keys（['1. \ xa0 \ lorem \ xa0ipsum'，'2. \ xa0 \ lorem \ xa0ipsum \ xa0 \ lorem \ xa0ipsum'，'3. \ xa0 \ lorem'，'4. \ xa0 \ lorem \ xa0ipsum' ，'5. \ xa0 \ lorem \ xa0ipsum']）


我想确保文本始终被编码为utf-8。我该怎么做呢？

最佳答案

我想确保文本始终被编码为utf-8。我该怎么做呢？


如果要确保PrintWriter使用UTF-8编码，请在构造函数中这样说：

PrintWriter out = new PrintWriter(outPath + ".txt", "UTF-8");

关于java - 如何设置PDFBox的字符编码，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/54447903/