Hello everybody!
Is there any chance that someone can help me with the following problem:
I'm trying to extract text from a PDF document but what I get as a result is
highly fragmented.
Is there a way to overcome this?
Reproduce with JUnit test:
@Test
public void testTryThings() throws Exception
{
final String filename =
"http://www.junkers.com/de/pmdb/brochures/Brennwert_7_181_465_853.pdf";;
final PDDocument document = PDDocument.load(new URL(filename));
final PDFTextStripper stripper = new PDFTextStripper();
final String text = stripper.getText(document);
System.out.println(text);
}
See console output:
Wärme fürs Leben
Gas-Brennwertheizungen für Etagen,
Ein- und Mehrfamilienhäuser
Energiesparende Behaglichkeit zum Rundum-Wohlfühlen
Gas-Brennwert-Programm
Für
Bauhe
rr
en
und
R
en
o
vie
re
r
Lieber Leser,
wir bieten Ihnen für jede Wohnsituation und für jeden Komfortbedarf die
passende
Heiz- und Warmwasserlösung. Unsere Auswahl ist daher genauso vielfältig wie die
verschiedenen Wünsche unserer Kunden. Um Ihnen den Überblick trotzdem
ganz leicht zu machen, haben wir für Sie Piktogramme entworfen - einprägsame
Abbildungen, die wichtige Produktmerkmale auf einen Blick zeigen.
Was das genau bedeutet, erfahren Sie auf der Innenseite dieser Klappe.
Unser Tipp: Lassen Sie die Leiste aufgeschlagen, wenn Sie sich unsere
Broschüre ansehen. Dann haben Sie alle wichtigen Infos stets vor Augen.
2
Für
Bauhe
rr
en
und
R
en
o
vie
re
r
Parts of the output are highly fragmented. With other documents in my
collection, this affects the major part of the text. If there is no setting
that can be made to fix this, do you perhaps have an explanation for this
phenomenon (e.g. the input file having some exotic encoding)?
Thanks in advance!
Heike
