java - PDFBox中的字符坏字符将pdf转换为字符串

我正在使用PDFBox 1.8.4将PDF转换为字符串。
例如，我的pdf包含：Pólya，G.和G.Szegő，
输出为：Po´lya，G。和G.Szego˝

有什么办法解决这个问题？ （是的，我知道我可以使用replaceAll（“ o'”，“ó”）进行更改）

   PDDocument doc = PDDocument.load(path);
   PDFTextStripper strp = new PDFTextStripper("UTF-8");
   System.out.println(strp.getText(doc));

欢迎所有建议！

编辑1：
PDF_Example

最佳答案

OP提出的文件包含例如这条线



这很可能是他发现的问题的一个样本。

不过，从页面内容流来看，

[(A)32(ttila)-384(G\023)575(obi,)-383
(Zal)8(\023)567(an)-383(Sz)-32(})607(ugyi)-384(and)-383
(T)96(am)8(\023)567(as)-384(Kozsik)]TJ

有人看到例如通过首先绘制´（\ 023），然后返回该字形的宽度（575），然后绘制o，来创建(G\023)575(obi,)中的ó。

因此，您确实将这两个字形´和o打印在同一位置，而不是一个字形ó。

PDFBox PDFTextStripper当前不会合并在相同位置打印的字符，只是将在相同位置绘制两次的相同字形放到大约同一位置。

因此，除了OP提到的replaceAll（“ o'”，“ó”）外，还可以扩展PDFTextStripper以合并某些字形，无论是在其方法processTextPosition的早期还是在writeString(String text, List<TextPosition> textPositions)的后期。