iText PDF坏字符转换

Question

我有一个 PDF 要阅读，这让我很抓狂。

pdf 表示客户的电费单（意大利语），他希望我从中读取文本。

现在的问题。当我将粘贴文本从 pdf 复制到记事本时，我得到一堆难以理解的字符...

经过大量研究，我找到了答案。 pdf 包含所有字体，但不包含对应于允许导出文本的 cmap。我发现this link 指的是旧版本的 itext（我使用的是 5.5.5 版）。

如果可能的话，我想要实现的是将文本从字形代码转换为 unicode。

我找到了一些对 Cmap-something 的参考，但不知道如何使用它们，而且网上显然没有示例:(

这是我尝试过的

PdfReader reader = new PdfReader("MyFile.pdf");
PdfReaderContentParser parser = new PdfReaderContentParser(reader);
PrintWriter out = new PrintWriter(new FileOutputStream(txt));
TextExtractionStrategy strategy;
strategy = parser.processContent(1, new SimpleTextExtractionStrategy());
String text = strategy.getResultantText();
String cmapFile="UnicodeBigUnmarked";
byte[] text = encodedText.getBytes();
String cid = PdfEncodings.convertToString(text, cmapFile);

Cid 是一个漂亮的日本字符序列

还有：

FontFactory.registerDirectory("myDirectoryWithAllFonts");

就在尝试转换之前。这个解决方案似乎没有结果

我们将不胜感激。

Answer 1

您说：当我将粘贴文本从 pdf 复制到记事本时，我得到一堆难以理解的字符。 我假设您正在谈论在 Adob​​e Reader 中选择文本并尝试将其粘贴到文本中编辑。

如果这不成功，则您的 PDF 不允许您从 PDF 中提取文本，因为文本未正确存储在 PDF 中。观看this video 了解完整说明。

让我们从内部看一下您的 PDF：

我们看到了一个文本对象的开始（它说BT 代表开始文本）。字体/C2_1 定义为字体大小为1。乍一看，这可能看起来很奇怪，但在转换中字体将缩放到大小为6.9989。然后我们看到一些包含双字节字符串的文本数组，例如I R H E Z M W M S R I H I P。

iText 应该如何解释这些字符？要找出答案，我们需要查看/C2_1对应的字体使用的编码：

啊哈，存储在内容流中的 Unicode 字符与我们需要的实际字符相对应：IRHE ZMWMSRI HIP 等等。这正是我们使用 iText 将 PDF 转换为文本时所看到的。

但是等一下！当我们使用 Adob​​e Reader 查看 PDF 时，为什么会看到其他字符？嗯，I、R、H 等字符是与字形的“程序”相对应的地址。该程序负责在页面上绘制字符。人们会期望在这种情况下，字符I 将对应于字母I 的字形（或“绘图”，如果您更喜欢这个词）。您的 PDF 中没有这样的运气。

现在，当您使用“带格式复制”时，Adobe 会做什么？目前 iText 中没有实现的大量魔法。为什么不？嗯...我不知道 Adob​​e 的预算，但它可能比 iText Group 的预算高得多。从包含令人困惑的字体信息的文档中提取文本不在 iText Group 的技术路线图中。