IText Sharp使用法语脚本MT从pdf中提取文本

Question

我正在使用ITextSharp并列出代码从pdf中提取文本。 但我发现有些行给出了错误的结果：

1. in excel - “11 3 11”
Visual Studio中的
2. - “11 \ u0016 \ u0016 \ u0016 3”
3. in pdf - “11£139 3 11”

又一个例子：

1. in excel - “2 45 1”
在Visual Studio中
2. - “2 \ u0085 \ u0019 \ u0018 \ u001b 45 1”
3. in pdf - “2£658 45 1”

经过调查，我发现pdf文件包含 法国脚本-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;
}
}
}

的问题：

1. 如何添加已加载的字体到Extract策略？
2. 是否可以创建映射，以便我可以将\ u0085 \ u0014 \ u001更换为£139？
3. 也许我错过了编码方法？

Answer 1

所有带有英镑货币符号“£”的条目都是使用字体（分别命名为 C2_0 和 C2_2 ）绘制的，而不包含PDF文本提取所需的信息，如PDF规范ISO 32000-1第9.10节“文本内容的提取”：它们使用编码 Identity-H （这并不意味着任何映射到Unicode）并且没有 ToUnicode 映射。

用于其他条目的字体使用有意义的编码（ T1_0 和 T1_1 使用 WinAnsiEncoding ）或使用 ToUnicode 地图（ C2_1 ）。

由于iText中的文本提取基本上遵循第9.10节中的描述，因此iText无法提取这些£条目的实际文本，而是返回原始字形代码，就像Adobe Reader copy＆amp; paste一样。

通常这意味着必须使用OCR，或者整个页面使用OCR提取所有文本，或者单独提取相关字体的字符以构建 ToUnicode 表格那些字体，然后如上提取文本。

在这种情况下， C2_0 和 C2_2 嵌入式字体程序本身包含将包含的字形映射到Unicode代码点的信息。因此，还可以使用这些字体程序中的信息构建 ToUnicode 表。可以使用可以处理真实字体的字体库从字体程序中读取这些信息。