如何使用 iTextSharp 從 PDF 中提取非英語文字並處理編碼問題？

在 C# 中使用 iTextSharp 擷取 PDF 內容：解決非英文字元問題

本文解決了在 C# 中使用 iTextSharp 從 PDF 文件中提取非英語文本的挑戰。 在處理波斯語或阿拉伯語等語言時，該問題通常表現為亂碼文本。

理解問題的根源

根本原因在於不必要的編碼轉換：

<code class="language-csharp">currentText = Encoding.UTF8.GetString(Encoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.UTF8.GetBytes(currentText)));</code>

此程式碼將文字轉換為 UTF-8 位元組數組，然後再轉換回 UTF-8 字串 - 這是一個冗餘過程，會無意中損壞基本 ASCII 範圍 (0-127) 之外的字元。

解：簡化編碼

解決方案很簡單：刪除冗餘的編碼步驟。更正後的代碼為：

<code class="language-csharp">public string ReadPdfFile(string fileName) {
    StringBuilder text = new StringBuilder();

    if (File.Exists(fileName)) {
        PdfReader pdfReader = new PdfReader(fileName);

        // ... (rest of the code remains unchanged) ...
    }
    return text.ToString();
}</code>

其他注意事項

為了正確顯示，請驗證應用程式的渲染引擎支援 Unicode。 建議使用最新的 iTextSharp 版本（目前為 5.2.0.0）以獲得最佳效能。

處理從右到左的文字

雖然更正的程式碼解決了編碼問題，但從右到左的語言（如阿拉伯語和希伯來語）可能仍然存在挑戰。 提取的文字可能會以錯誤的順序出現。這似乎是 PDF 格式本身的限制，根據特定語言，可能需要手動重新排序。

以上是如何使用 iTextSharp 從 PDF 中提取非英語文字並處理編碼問題？的詳細內容。更多資訊請關注PHP中文網其他相關文章！