Java中使用PDFBox和XPDF提取PDF文档内容

在Java开发中，从PDF文件中提取文本是一个常见的需求。通常我们会选择Apache PDFBox库来完成这项任务。然而，在实际应用过程中，可能会遇到一些挑战，尤其是在处理特殊类型的PDF文件时。

### 使用PDFBox遇到的问题

最初，我们直接使用了PDFTextStripper类来提取文本内容，对于大多数普通PDF文件来说，这种方式是可行的，并且能够很好地支持中文字符。但在最近的一次测试中，我们发现有少量文件无法正常提取内容，其中一个文件甚至在提取时抛出了异常。

#### 1. 无法提取内容的问题

这些出现问题的文件大多是通过网络提交的报名表格。起初，我们尝试直接使用PDFTextStripper进行提取，程序并没有报错，但在调试过程中发现执行到stripper部分时就停止了。参考其他开发者的经验后，我们改为先创建PDFParser对象再调用getPDDocument()方法，结果遇到了“UniGB-UCS2-H”字符集不被识别的问题。尽管很多开发者都遇到了类似的情况，但并没有找到特别有效的解决方案。

#### 2. 提取时报错的问题

另一个问题出现在尝试解析从网上下载的学术论文时，系统抛出了“NoClassDefFoundError：org/bouncycastle/jce/provider/BouncyCastleProvider”的异常。为了解决这个问题，我们安装了BouncyCastle库。然而，这并未完全解决问题，后续又出现了找不到“bouncycastle.cms.CMSException”以及“asn1.DEREncodable”的错误提示。经过多次尝试更换不同版本的库之后，仍然未能彻底解决这些问题。

### 尝试XPDF工具

鉴于上述困难，我们转而考虑使用XPDF工具作为替代方案。令人惊喜的是，所有之前报错的文件都能够顺利解析，而且原本正常的文件也保持了良好的兼容性。此外，XPDF还提供了更加简便的字体扩展功能，使得它成为了一个不错的选择。

对于需要进一步了解XPDF用法的读者，可以参考[这篇博客](http://hi.baidu.com/stone_kings/item/da5acb36dc539a372f20c463)获取更多信息。