itext阅读pdf 1s作为向上箭头ERROR

Question

出于某种原因，itextsharp现在正在读取pdf，其中包含诸如4123之类的数字为4 * 23，其中*实际上是指向上方的箭头。不知道为什么会这样。请帮忙。

感谢。

示例文件位于此处：https://dl.dropboxusercontent.com/u/116833/SAMPLE%20PDF.pdf

Answer 1

箭头的原因是文件实际上试图误导文本提取器，它们根据第9.10.2节将字符代码映射到Unicode值的指导提取文本PDF规范ISO 32000-1虽然没有混淆那些喜欢 ActualText 标记内容序列条目的人：前一种方法导致相信'3'是箭头而后者被告知'3'是箭头三分

最有可能这样做是为了防止自动文本提取，同时允许手动复制和粘贴，因为Adobe Reader确实更喜欢 ActualText 标记内容序列条目（因此，手动提取可以正常工作），而许多程序化提取器更喜欢前一种方法。

据我阅读说明书的相关部分，它不会优先于另一部分。

详细

E.g。看看第一部分编号：

BT
/T1_1 1 Tf
10 0 0 10 69.1456 750.2834 Tm
(1 )Tj
ET
EMC 
/Span <</MCID 14 >>BDC 
BT
/T1_1 1 Tf
10 0 0 10 89.5488 750.2834 Tm
(2)Tj
/Span<</ActualText<FEFF0033>>> BDC 
(3)Tj
EMC 
(412109 )Tj
ET
EMC 

如您所见，'3'标有 ActualText 条目，表明它确实是三个（<FEFF0033>指示Unicode数字三是一个很长的路径。）

另一方面，字体 T1_1 提供包含映射的 ToUnicode 流

...
<30> <0030>
<31> <0031>
<32> <0032>
<33> <0018>
<34> <0034>
<35> <0035>
...

当你看到其他数字（0x30为'0'，0x31为'1'，......，0x39为'9'）被相同地映射时，'3'，即0x33，被映射到Unicode代码点0x0018，和

  

U + 0018是字符<control>的Unicode十六进制值，在Unicode 6.0字符表中被归类为“控制字符”。

     

“<control>”以前在旧版本的Unicode中命名为“CANCEL”。

     

（cf。http://www.marathon-studios.com/unicode/U0018/Control）

在某些情况下，此控制字符显示为向上箭头。