[PDFBOX-4904] Bold text leads to wrong order - Text extraction

• Type: Bug
• Status: Closed
• Priority: Minor
• Resolution: Not A Bug
• Affects Version/s: 2.0.20
• Fix Version/s: 2.0.21, 3.0.0 PDFBox
• Component/s: Parsing, PDModel
• Labels: Documentation
• Environment: JDK 8
• Assignee: Maruan Sahyoun
• Reporter: Ronald Bergmann
• Created: 30/Jun/20 15:25
• Updated: 21/Aug/20 04:54
• Resolved: 01/Jul/20 10:20

Description

When extracting the text from a PDF bold text seems to be out of order under some conditions.

 

try (PDDocument doc = PDDocument.load(new File("152-0130-20-B-Ö-43.pdf"))) {
    PDFTextStripper stripper = new PDFTextStripper();
    String contents = stripper.getText(doc);
    System.out.println(contents);
}

See section w) - the text should be:

Präqualifizierte Unternehmen führen den Nachweis der Eignung durch den Eintrag in
die Liste des Vereins für die Präqualifikation von Bauunternehmen e.V.
(Präqualifikationsverzeichnis). ...

But it actually is:

 führen den Nachweis der Eignung durch den Eintrag in Präqualifizierte Unternehmen
die Liste des Vereins für die Präqualifikation von Bauunternehmen e.V.
(Präqualifikationsverzeichnis).

 

I attached an example PDF.

 

/edit: pdfjs and Acrobat can copy/paste the text in order.