在C＃中使用iTextSharp读取pdf内容

  • Z时代
  • 2024-01-10
  • 分类：问答

我使用此代码通过iTextSharp读取pdf内容。当内容为英语时，它可以正常工作，但是当内容为波斯语或阿拉伯语时，它不能工作。

结果是这样的：

这是供测试的非英语PDF示例。

Karl©Ù›Ù†Ø§Ùٔب٬ØØثیؿیٛ Ù〜زؾاÙÙ›ÙØÙ”ÙKarlSeguin

foppersian.codeplex。 com www.codebetter.com 1 1Ø” بÙ〜طثَٛنایؿیٛ

Ù〜

همانرب لوصا یسیون  مرن دیلوت رتهب رازÙا

解决办法是什么 ？

  public string ReadPdfFile(string fileName)
        {
            StringBuilder text = new StringBuilder();
            if (File.Exists(fileName))
            {
                PdfReader pdfReader = new PdfReader(fileName);
                for (int page = 1; page <= pdfReader.NumberOfPages; page++)
                {
                    ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
                    string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, page, strategy);
                    currentText = Encoding.UTF8.GetString(Encoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.UTF8.GetBytes(currentText)));
                    text.Append(currentText);
                    pdfReader.Close();
                }
            }
            return text.ToString();
        }

回答：

在.Net中，一旦有了一个字符串， ，并且它 是Unicode

。实际的内存实现是UTF-16，但这并不重要。永远不要将字符串分解为字节，并尝试将其重新解释为不同的编码，然后将其拍回为字符串，因为这样做没有意义，并且几乎总是会失败。

您的问题是这一行：

currentText = Encoding.UTF8.GetString(Encoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.UTF8.GetBytes(currentText)));

我将其分成几行来说明：

byte[] bytes = Encoding.UTF8.GetBytes("ی"); //bytes now holds 0xDB8C
byte[] converted = Encoding.Convert(Encoding.Default, Encoding.UTF8, bytes);//converted now holds 0xC39BC592
string final = Encoding.UTF8.GetString(converted);//final now holds ی

该代码将混淆127 ASCII屏障以上的所有内容。删除重新编码行，您应该会很好。

旁注，很可能任何创建字符串的操作都会错误地进行，实际上并不太常见。但是您需要先解决该问题，

再string在byte级别上解决该问题。

该代码应与上面的代码完全相同，只是应删除一行。另外，无论您使用什么显示文本，请确保其支持Unicode。另外，如@kuujinbo所说，请确保您使用的是iTextSharp的最新版本。我用5.2.0.0进行了测试。

    public string ReadPdfFile(string fileName) {
        StringBuilder text = new StringBuilder();
        if (File.Exists(fileName)) {
            PdfReader pdfReader = new PdfReader(fileName);
            for (int page = 1; page <= pdfReader.NumberOfPages; page++) {
                ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
                string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, page, strategy);
                text.Append(currentText);
            }
            pdfReader.Close();
        }
        return text.ToString();
    }

上面的代码解决了编码问题，但没有解决字符串本身的顺序。不幸的是，这个问题似乎是在PDF级别本身上。

因此，在这种从右到左的书写系统中显示文本需要分别定位每个字形（这既繁琐又昂贵），或者用显示字符串表示文本（请参见9.2，“字体的组织和使用”），其字符代码在相反的顺序。

PDF 2008 Spec-14.8.2.3.3-逆序显示字符串

当对上述字符串进行重新排序时，如果我正确理解规范，则内容应使用“已标记内容”部分BMC。但是，我查看并生成的一些样本PDF似乎并没有真正做到这一点。在这方面，我绝对可能是错误的，因为这不是我的专长，因此您必须反复研究。

以上是 在C＃中使用iTextSharp读取pdf内容 的全部内容， 来源链接： utcz.com/qa/433137.html

回到顶部