无法使用 iText 7 和 .net 解析来自 pdf 的希伯来语文本

Question

我正在尝试在 .NET CORE 2.1 上使用 iText 7 阅读包含多页的 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...

在文本可视化器中，它看起来像这样：

)(*).=*%'*).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

我似乎无法解析编码，或者我无法读取/解析 PDF 级别的特定自定义编码。

查看文档属性，在字体下它显示以下内容：

任何想法如何正确解析文档？

谢谢 亚尼夫

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 是一个名称，而不是一个流。

尽管如此，Adobe Reader 会解释这个名称，而且对于任何以 Identity- 开头的名称，显然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如此，即使出于错误的原因，复制和粘贴也有效。 （没有这个 ToUnicode 值，Adobe Reader 也会返回废话。）

另一方面，iText 7 映射到 Unicode 首先遵循 Encoding 值，但结果出乎意料。

因此，在这种情况下，Adobe Reader 通过将含义解释为无效的数据片段（如果不这样做也会返回无意义的数据），从而获得更好的结果。

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，但不包含希伯来语字符的条目。它们没有编码条目。

此处的 Adob​​e Reader 和 iText 7 都信任 ToUnicode 映射，因此无法映射希伯来字形。

如何解析

file1_copyPasteWorks.pdf

对于这个文件，“问题”是 iText 7 应用了 Encoding 映射。因此，为了解码文本，可以暂时将 Encoding 映射替换为标识映射：

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 的希伯来语字符。

file2_copyPasteFails.pdf

在这里我没有快速的解决方法。您可能想要分析多个此类 PDF。如果它们都以相同的方式对希伯来字符进行编码，您可以从中创建自己的 ToUnicode 映射并将其注入到上述字体中。