Question

我偶然发现使用PDDScanner在PDF中搜索西里尔字母（以及任何其他非ASCII字符）。我使用的代码类似于Randon ideas博客提供的SO代码。问题是对于cyrilic PDF，扫描仪的输出是一个完整的垃圾，无法解码为任何有意义的东西。西里尔文PDF中的英文字符搜索得非常完美。所以，问题在于，当涉及到西里尔字母时，它被编码，我们无法正确解码它。

我们在这里想念什么？

提前感谢任何能够阐明这个问题的人。

Answer 1

您是否尝试通过不同的编码推送该字符串？当我看到NSString.h时，我看到一些可疑的标有“西里尔字母”的东西，它也在同一行上有“Adobe”:)（即试试NSWindowsCP1251StringEncoding）

enum {
    NSASCIIStringEncoding = 1,      /* 0..127 only */
    NSNEXTSTEPStringEncoding = 2,
    NSJapaneseEUCStringEncoding = 3,
    NSUTF8StringEncoding = 4,
    NSISOLatin1StringEncoding = 5,
    NSSymbolStringEncoding = 6,
    NSNonLossyASCIIStringEncoding = 7,
    NSShiftJISStringEncoding = 8,          /* kCFStringEncodingDOSJapanese */
    NSISOLatin2StringEncoding = 9,
    NSUnicodeStringEncoding = 10,
    NSWindowsCP1251StringEncoding = 11,    /* Cyrillic; same as AdobeStandardCyrillic */
    NSWindowsCP1252StringEncoding = 12,    /* WinLatin1 */
    NSWindowsCP1253StringEncoding = 13,    /* Greek */
    NSWindowsCP1254StringEncoding = 14,    /* Turkish */
    NSWindowsCP1250StringEncoding = 15,    /* WinLatin2 */
    NSISO2022JPStringEncoding = 21,        /* ISO 2022 Japanese encoding for e-mail */
    NSMacOSRomanStringEncoding = 30,

    NSUTF16StringEncoding = NSUnicodeStringEncoding,      /* An alias for NSUnicodeStringEncoding */

    NSUTF16BigEndianStringEncoding = 0x90000100,          /* NSUTF16StringEncoding encoding with explicit endianness specified */
    NSUTF16LittleEndianStringEncoding = 0x94000100,       /* NSUTF16StringEncoding encoding with explicit endianness specified */

    NSUTF32StringEncoding = 0x8c000100,                   
    NSUTF32BigEndianStringEncoding = 0x98000100,          /* NSUTF32StringEncoding encoding with explicit endianness specified */
    NSUTF32LittleEndianStringEncoding = 0x9c000100        /* NSUTF32StringEncoding encoding with explicit endianness specified */
};

Answer 2

您可能需要深入了解Apple spec and headers on this - 添加NSLog行（并在此处发布），以便扫描程序找到普通PDF和西里尔文的内容。有很多可能性（可能是不同的编码，即你需要使用编码将你拥有的字符串翻译成不同的字符串）。我确信有一种方法可以列出表格中的所有运算符，看看你的西里尔语pdf中是否有额外的运算符。此外，this might help是您尝试解决的一个非常相似的问题 - 它也指向library that is more tuned to scanning。

如何使用QuartzPDF在PDF中搜索非ASCII字符（西里尔文）？

2 个答案: