apache pdfboxでPDFの中身のテキストを抜き出す話

細かい経緯はこちらを参照。
https://qiita.com/arc279/items/95fbb15016a3ce34ec92

どうも手元のmacのインストール済みフォントと、pdf内で使われてるフォントの問題っぽかったので、
全部dockerにしたらあっさり解決した。

こんな感じで配置して

$ tree
.
├── docker-compose.yml
├── mnt
│   └── all.pdf
└── pdfbox-app-2.0.8.jar

docker-compose.yml

version: '2.2'
services:
  pdfbox:
    image: java:8u91
    volumes:
      - ./pdfbox-app-2.0.8.jar:/opts/pdfbox-app-2.0.8.jar
      - ./mnt:/mnt

こうすれば

docker-compose run --rm pdfbox java -jar /opts/pdfbox-app-2.0.8.jar ExtractText /mnt/all.pdf

抜き出せる

$ head mnt/all.txt
平成29年版
厚生労働白書
（平成28年度厚生労働行政年次報告）
厚 生 労 働 省
―社会保障と経済成長―
本白書は再生紙を使用しております。
第1部　社会保障と経済成長
はじめに………………………………………………………………………… 3
第1章　我が国経済社会の中の社会保障… ………………………………… 4
第1節　社会保障の役割と機能… …………………………………………………………………… 4