如何使用 iTextSharp 从 PDF 中提取非英语文本并处理编码问题？

在 C# 中使用 iTextSharp 提取 PDF 内容：解决非英语字符问题

本文解决了在 C# 中使用 iTextSharp 从 PDF 文件中提取非英语文本的挑战。 在处理波斯语或阿拉伯语等语言时，该问题通常表现为乱码文本。

理解问题的根源

根本原因在于不必要的编码转换：

currentText = Encoding.UTF8.GetString(Encoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.UTF8.GetBytes(currentText)));

此代码将文本转换为 UTF-8 字节数组，然后再转换回 UTF-8 字符串 - 这是一个冗余过程，会无意中损坏基本 ASCII 范围 (0-127) 之外的字符。

解决方案：简化编码

解决方案很简单：删除冗余的编码步骤。更正后的代码为：

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();
}

其他注意事项

为了正确显示，请验证应用程序的渲染引擎支持 Unicode。 建议使用最新的 iTextSharp 版本（当前为 5.2.0.0）以获得最佳性能。

处理从右到左的文本

虽然更正的代码解决了编码问题，但从右到左的语言（如阿拉伯语和希伯来语）可能仍然存在挑战。 提取的文本可能会以错误的顺序出现。这似乎是 PDF 格式本身的限制，根据特定语言，可能需要手动重新排序。

以上是如何使用 iTextSharp 从 PDF 中提取非英语文本并处理编码问题？的详细内容。更多信息请关注PHP中文网其他相关文章！