如何使用 iTextSharp 從 PDF 中準確提取波斯語或阿拉伯語文本？

精確讀取PDF內容

處理PDF文件時，準確提取內容至關重要。然而，某些字元編碼可能會帶來挑戰，尤其是在處理非英語文字時。本文探討了使用iTextSharp從PDF中擷取波斯文或阿拉伯文的問題。

問題：編碼不符

提供的原始程式碼片段嘗試使用iTextSharp讀取PDF內容。然而，在處理非英語文本時，結果往往是亂碼。這個問題源自於位元組到字串轉換過程中的編碼不符。

解：移除編碼轉換

解決方案在於從程式碼中移除編碼轉換行，該行試圖將位元組從預設編碼轉換為UTF-8。此轉換是不必要的，並且可能導致錯誤。透過消除此行，程式碼可以正確地將文字處理為Unicode。

以下是修正後的程式碼：

public string ReadPdfFile(string fileName)
{
    StringBuilder text = new StringBuilder();

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

        for (int page = 1; page <= pdfReader.NumberOfPages; page++)
        {
            text.Append(pdfReader.GetPlainText(page));
        }
    }

    return text.ToString();
}

其他注意事項

除了解決編碼問題外，確保文字顯示應用程式支援Unicode也至關重要。也值得檢查是否使用了最新版本的iTextSharp。

結論

透過消除編碼轉換行，iTextSharp可以精確地從PDF中擷取非英文文字。請記住，在顯示應用程式中確認Unicode支持，並使用最新的iTextSharp版本以獲得最佳效能。此方法將確保以各種語言無縫且正確地提取PDF內容。

以上是如何使用 iTextSharp 從 PDF 中準確提取波斯語或阿拉伯語文本？的詳細內容。更多資訊請關注PHP中文網其他相關文章！