我正在尝试使用此方法修改 pdf（第一个代码块 - 使用 PDFStreamParser 并迭代 PDFOperator，然后在需要时更新 COSString）：
http://www.coderanch.com/t/556009/open-source/PdfBox-Replace-String-double-pdf http://www.coderanch.com/t/556009/open-source/PdfBox-Replace-String-double-pdf
我遇到了一些 UTF-8 字符（变音符号）的问题：当我打印要更新的文本时，它显示为“Societ？？ii Na？ionale”（其中“？”是类似 0002 或 0004 的代码） ）。
有趣的是：
我可以为用于更新 pdf 的类做什么（配置）（或者至少尝试...）以便正确显示所有 UTF-8 字符？
EDIT:
Screenshot: 
EDIT 2:
我搜索了 PDFTextStripper 及其超类中的 pdfbox 源代码，发现了文本是如何提取的：
在 processStream 方法的开头，我们有
graphicsState = new PDGraphicsState(aPage.findCropBox());
当剥离 processEncodedText 中的文本时，使用 PDFont 类的实例，如下所示：
final PDFont font = graphicsState.getTextState().getFont();
文本是从 byte[] 中提取的：
String c = font.encode( string, i, codeLength );
新问题是，当我使用相同的两行代码实例化 PDFont 类时，我得到一个“null”字体类，因此我无法使用 .encode(...) 方法。 这些类的源代码在这里：http://grepcode.com/file/repo1.maven.org/maven2/org.apache.pdfbox/pdfbox/1.5.0/org/apache/pdfbox/util/PDFStreamEngine.java http://grepcode.com/file/repo1.maven.org/maven2/org.apache.pdfbox/pdfbox/1.5.0/org/apache/pdfbox/util/PDFStreamEngine.java and http://grepcode.com/file/repo1.maven.org/maven2/org.apache.pdfbox/pdfbox/1.5.0/org/apache/pdfbox/util/PDFTextStripper.java http://grepcode.com/file/repo1.maven.org/maven2/org.apache.pdfbox/pdfbox/1.5.0/org/apache/pdfbox/util/PDFTextStripper.java
我现在正在挖掘更多...
您不能只替换字符串中的文本。我不是轻易说这句话的。我很多年前曾经使用过Acrobat，并且在最初的版本中做过文本搜索工具，所以我对文本编码的问题有相当深刻的了解。主要问题是 PDF 中的每个字符串都以某种方式编码。这是因为 PDF 是在 Unicode 普遍可用之前创建的，并且在 PostScript 中已有历史。 PosctScript 喜欢拥有非常灵活的字体编码方法，并鼓励重新编码。
因此，让我们退一步来了解整个情况。
默认情况下，PDF 中要使用文本运算符显示的字符串中的字符被编码为一系列 8 位字符。为了确定为每个字节绘制什么字形，该字节被推入该字体的编码向量。编码向量将字节映射到字形名称，然后在字体中查找该字形名称并将其绘制在页面上。请注意，这个描述是半真半假的（稍后会详细介绍）。
大多数生成 PDF 的应用程序都很友好，只使用标准编码，例如StandardEncoding or WinAnsiEncoding，其中大部分都是相当合理的。其他人将使用标准编码以及编码增量这是标准编码与编码内容的差异。
一些应用程序试图在生成的 PDF 中更加节俭，因此它们会查看所使用的字形并决定嵌入字体的子集。如果他们只使用大写和小写罗马字母和数字，他们会在没有这些元素的情况下重建字体，并可能选择重新索引它们并提供编码向量，以便字节 0x00 转到字形“a”，而 0x01 转到字形“a”。字形“b”等。
现在回到一半的真相。有一类字体是通过字符 ID（或 CID）编码的，TrueType 和 OpenType 字体就属于该类。在这种情况下，您可以访问 Unicode，但同样有一个编码步骤，您将字符串（现在是 UTF16BE）映射到 CID，CID 用于从字体获取字形。没有什么特别好的理由，Adobe 使用 PostScript 函数来进行映射。再说一遍，这是一个 3/4 的事实，因为对于中文、日文和韩文字体的旧管理也有不同的编码。
因此，在您轻松地将字符放入 PDF 字体的字符串中之前，您必须问几个问题：
其中任何一项都可能与您的预期不同。例如，如果您想输入 Ä（a diresis），您必须查看该字体是否具有其字形（可能不存在，因为该字体是子集）。那么字体可能有一个有趣的编码，可能不包括字形。最后，用于 Ä 的实际字节值可能不是标准的。
因此，当我看到有人试图简单地替换 PDF 内容中的一大块文本时，我看到的只是一个痛苦的世界。对于大多数正常的 PDF 来说，这在 90% 的情况下都有效，但对于任何奇异的东西 - 祝你好运。 PDF 的文本渲染怪癖已经足够让人痛苦了，以至于有时更容易将其视为只写格式。