java - 如何在 android 中使用 itextpdf 从马拉地语、印地语 pdf 文件中提取文本

Question

我正在使用 itextpdf 从我的 android 应用程序中的 pdf 中提取文本。它适用于英语语言的 pdf，但是当我尝试从马拉地语或印地语 pdf 中提取文本时，它没有提取正确的文本。

结果为

मत्रबधअरुणकळकणीैंुजधमनीवनूवनूआधण。 तीं

请帮我提取正确的内容

Answer 1

如果您使用的不是 Android，答案很简单:使用 iText 7。使用 iText 7 解析文档时，输出会更加清晰。它仍然不是 100% 正确，但至少看起来大部分可读对我来说(尽管我需要母语人士来确认)。这是第 2 页:

मैत्रबधंअरुणकुळकणी
मैत्रबधं

अरुण कुळकणी

ईसाहित्यप्रहिष्ठान
ईसाहित्यप्रहिष्ठान

下一页的结果类似，有一些小问题，但没有像 iText 5 中那样扭曲。

但是，很遗憾，您使用的是 Android。目前还没有适用于 iText 7 的 Android 版本，因此您将不得不等待一个或尝试手动将 iText 移植到 Android 平台(如果您对 Android 和 iText 都不是很熟悉，这可能需要永远) .

这是我使用的 iText 7 代码:

// iText imports
import com.itextpdf.kernel.pdf.PdfDocument;
import com.itextpdf.kernel.pdf.PdfReader;
import com.itextpdf.kernel.pdf.canvas.parser.PdfTextExtractor;
public class HindiText {

    @Test
    public void go() throws Exception {
        try (PdfDocument doc = new PdfDocument(new PdfReader("input.pdf"))) {
            try (OutputStream os = new FileOutputStream("output.txt")) {
                String result = PdfTextExtractor.getTextFromPage(doc.getPage(3));
                os.write(result.getBytes(Charset.forName("UTF-16")));
            }
        }
    }
}

仅供引用:截至 2016 年 12 月 2 日，您需要从源代码 (https://github.com/itext/itext7) 构建 iText 7 才能达到我上面描述的质量。此功能将包含在 iText 7.0.2 发布时。