IText夏普用法语脚本MT从pdf中提取文本
我使用ITextSharp和列出的代码从pdf中提取文本。但我发现有些行给了我错误的结果：
- 在excel中- "11 3 11“
- 在中- "11 \u 0085\u 0014\u0016\u001c 3 11“
- pdf - "11 11 139 3 11“
还有一个例子：
- 在excel中- "2 45 1“
- 在中- "2 \u 0085\u 0019\u0018\u001b 45 1“
- pdf - "2 45 658 45 1“
经过调查，我发现pdf文件包含法语脚本mt-58fbba579ea99.ttf。
using (PdfReader reader = new PdfReader(pfile.path)){
StringBuilder text = new StringBuilder();
if (pagenum == 0)
{
for (int i = 1; i <= reader.NumberOfPages; i++)
{
string page = "";
page = PdfTextExtractor.GetTextFromPage(reader, i, new
iTextSharp.text.pdf.parser.SimpleTextExtractionStrategy());
string stringOutput = page;
string[] lines = stringOutput.Split('\n');
allData.Add(lines);
output = lines;
}
}
}问题：
- 如何添加已加载的字体以提取策略？
- 是否可以创建映射，以便将\u 0085\u0014\u0016\u001c转换为£139？
- 也许我漏掉了编码的东西？
回答 1
Stack Overflow用户
发布于 2017-04-24 09:11:28
所有英镑货币符号“no”的条目都是使用字体(分别命名为C2_和C2_2 )绘制的，没有PDF文本提取所需的信息，如PDF规范ISO 32000-1节9.10“文本内容的提取”：它们使用编码Identity-H (这并不意味着对Unicode的任何映射)，也没有ToUnicode映射。
用于其他条目的字体要么使用有意义的编码(、T1_、和T1_1使用T1_)，要么使用ToUnicode映射(C2_1)。
由于iText中的文本提取实质上遵循了第9.10节中的描述，iText无法提取这些As条目的实际文本，相反，它返回原始的字形代码，就像Adobe复制和粘贴一样。
通常，这意味着您必须求助于OCR，或者使用OCR作为一个整体提取所有文本，或者单独提取所讨论字体的字符，以便为这些字体构建ToUnicode表，然后提取如上所述的文本。
但是，在这种情况下，C2_和C2_2嵌入式字体程序本身包含将包含的符号映射到Unicode代码点的信息。因此，还可以利用这些字体程序中的信息构建ToUnicode表。可以使用字体库从字体程序中读取此类信息，该库可以处理真正类型的字体。
https://stackoverflow.com/questions/43564676
复制相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号