Question

我正在使用ItextSharp从pdf中读取数据。检查结果字符串看起来是正确的，但是string.Replace无法替换文本。

因此，我猜这是某种编码问题，但我没有把它固定下来。

我从PDF导入文本的代码应转换为UTF8

 PdfReader pdfReader = new PdfReader("file.pdf");

                for (int page = 1; page <= pdfReader.NumberOfPages; page++)
                {
                    ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
                    string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, page, strategy);

                    currentText = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(currentText)));
                    text.AppendLine(currentText);
                }
                pdfReader.Close();

然后我试图将三个连字符和一个空格（ - - ）替换成只有3个连字符（---）

input = input.Replace("-- -", "---");

从PDF导入中删除utf8转换没有什么区别（请参阅下面的截图 - 替换函数后的断点，但文本仍然存在）：

修改

以下是sample file的链接。在记事本或++中打开时，它会显示一系列空格和连字符（请参阅带有空格渲染的npp屏幕截图）。但是，当在c＃中读取时，此文件不会被解释为unicode连字符和Unicode空间。

Answer 1

事实证明，ITextSharp或源PDF正在使用一种称为软夸大的东西来代表标准的宣传，所以虽然记事本，记事本++和Visual Studio文本可视化器都将软宣传作为标准的宣传，但它们不是相同的字符，这就是String.Replace不执行任何替换的原因。

根据我对软连字符的理解，通常不应该渲染，这在尝试将字符粘贴到网络浏览器或其他程序（如charmap）甚至视觉工作室本身时会导致奇怪的行为。

这产生了以下工作代码：

input = input.Replace(" ", "---");

在Firefox上，这会使用三个连字符替换空格，但会粘贴到记事本显示中（这表明了我的真实意图）。

input = input.Replace("-- -", "---");

https://en.wikipedia.org/wiki/Soft_hyphen

Soft Hyphen： http://www.fileformat.info/info/unicode/char/ad/index.htm

连字符（标准连字符） http://www.fileformat.info/info/unicode/char/2010/index.htm

我的解决方案是添加以下行：

        input = input.Replace((char)173, '-');

TL; DR：字符编码绝对正常，并非所有连字符都相同。

String.Replace来自ItextSharp的数据

1 个答案: