无法使用带有.net的iText 7从pdf解析希伯来语文本

Question

[我正在尝试在.NET CORE 2.1上使用iText 7读取多页的PDF文件。以下是我的代码：

Rectangle rect = new Rectangle(0, 0, 1100, 1100);
LocationTextExtractionStrategy strategy = new LocationTextExtractionStrategy();
inputStr = PdfTextExtractor.GetTextFromPage(pdfDocument.GetPage(i), strategy);

inputStr获取以下字符串：

"\u0011\v\u000e\u0012\u0011\v\f)(*).=*%'\f*).5?5.5*.\a \u0011\u0002\u001b\u0001!\u0016\u0012\u001a!\u0001\u0015\u001a \u0014\n\u0015\u0017\u0001(\u001b)\u0001)\u0016\u001c*\u0012\u0001\u001d\u001a \u0016* \u0015\u0001\u0017\u0016\u001b\u001a(\n,\u0002>&\u00...

并且在文本可视化器中，看起来像这样：

)(*).=*%'*).5?5.5*. !! 
())* * (
,>&2*06) 2.-=9 )=&,

2..*0.5<.?
.110
)<1,3
    2.3*1>?)10/6
     (& >(*,1=0>>*1?

    2.63)&*,..*0.5

   206)&13'?*9*<
    *-5=0>
  ?*&..,?)..*0.5

似乎我无法解析编码，或者我无法读取/解析的PDF级别存在特定的自定义编码。

查看文档属性，在“字体”下显示以下内容：

任何想法如何正确解析文档？

谢谢Yaniv

Answer 1

共享文件分析

file1_copyPasteWorks.pdf

这里的字体定义有一个无效的ToUnicode条目：

/ToUnicode/Identity-H

ToUnicode值指定为

包含将字符代码映射到Unicode值的CMap文件的流

（ISO 32000-2，表119-Type 0字体字典中的条目）

Identity-H是name，而不是stream。

尽管如此，Adobe Reader会解释该名称，并且显然任何以Identity-开头的名称都假定字体的文本编码为UCS-2（本质上是UTF-16）。由于文档中使用的字符代码确实存在这种情况，因此即使出于错误的原因，复制和粘贴仍然有效。 （没有此[[ToUnicode值，Adobe Reader也会返回废话。）

另一方面，用于映射到Unicode的iText 7，紧随

Encoding

值之后，具有意外结果。因此，在这种情况下，Adobe Reader通过将含义解释为无效的数据获得更好的结果（如果没有，则返回无意义。

file2_copyPasteFails.pdf

此处的字体定义具有有效但不完整的

ToUnicode

映射，其中仅包含所用西欧字符的条目，但不包含希伯来字符的条目。他们没有Encoding条目。这里的Adobe Reader和iText 7都信任

ToUnicode

映射，因此不能映射希伯来字形。如何解析

file1_copyPasteWorks.pdf

对于此文件，“问题”是iText 7应用了[[Encoding

映射。因此，为了对文本进行解码，可以将

Encoding映射临时替换为身份映射：

for (int i = 1; i <= pdfDocument.GetNumberOfPages(); i++)
{
    PdfPage page = pdfDocument.GetPage(i);
    PdfDictionary fontResources = page.GetResources().GetResource(PdfName.Font);
    foreach (PdfObject font in fontResources.Values(true))
    {
        if (font is PdfDictionary fontDict)
            fontDict.Put(PdfName.Encoding, PdfName.IdentityH);
    }

    string output = PdfTextExtractor.GetTextFromPage(page);
    // ... process output ...
}

此代码显示文件1的希伯来字符。

file2_copyPasteFails.pdf
这里我没有快速解决方法。您可能要分析多个此类的PDF。如果它们都以相同的方式对希伯来语字符进行编码，则可以从中创建自己的
ToUnicode

映射并将其注入上述字体中。