文本提取为空且未知文本具有使用PDFBox，iText的type3字体（难题！）

Question

我有阿拉伯语的PDF文件，当我使用PDFBox提取文本时，文本字体为Type3，有些字符为空，字体等于null？我想知道这是什么问题？

码

  protected void processTextPosition(TextPosition text) {
    String character=text.getCharacter(); // is empty
    String font=text.getFont().getBaseFont(); // equal null
}

使用iText生成

流： ( dJ� v{d W�cG�)Tj

我说的是这些问号，为什么我会以这种格式获得字符？

这些问号在我的信息流中出现为“SOH-STX-ETX-EOT”，而不是一个字符。 PDF中的字符显示为'd'和'J'！

Answer 1

Type 3字体是用户定义的字体。例如：用户可以定义字符“P”对应于“以前称为王子的艺术家”（TAFKAP）的符号，这是一个字形，但不是来自任何已知字母的字母。

Type 3字体中的字形是一系列线条和形状，并且iText或PDFBox等程序无法确定哪个字符的含义。你得到一个问号是很正常的。例如：您将使用哪个字符this符号？

以下原因之一适用于包含Type 3字体的PDF：

1. 该字体用于引入任何字体不存在的符号。
2. 该字体用于混淆PDF的内容，因此无法提取其内容。
3. PDF不是以优雅的方式创建的。

如果Type 3字体用于普通字符，则需要使用OCR将内容转换为普通文本。