c# - 如何用java或C#解析包含utf-8字符的pdf文件

Question

我有一个 pdf 文件，其中包含 utf-8 字符(İ、ğ、ı 和阿拉伯字母等)。如何解析这个文件？
我使用 itext 和 pdfBox，但我看到“çekti¤i k夛da”而不是“çektiği kağıda”。我该如何解决这个问题？

Answer 1

由于尚未提供示例，我自己创建了阿拉伯语测试数据(好吧，实际上我从 itext-questions 邮件列表上的一些帖子中借用了用于创建测试数据的代码)和一个解析这些数据的测试:

package itext.parsing;

import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.OutputStream;

import com.itextpdf.text.Document;
import com.itextpdf.text.DocumentException;
import com.itextpdf.text.Font;
import com.itextpdf.text.Paragraph;
import com.itextpdf.text.Phrase;
import com.itextpdf.text.pdf.BaseFont;
import com.itextpdf.text.pdf.PdfPCell;
import com.itextpdf.text.pdf.PdfPTable;
import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.PdfWriter;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;

import junit.framework.TestCase;

public class TextExtractingArabic extends TestCase
{
    public void testExtractArabicChars() throws DocumentException, IOException
    {
        createTestFile(TEST_FILE);

        PdfReader reader = new PdfReader(TEST_FILE.toString());
        String text = PdfTextExtractor.getTextFromPage(reader, 1);
        for (char c: text.toCharArray())
        {
            int i = c<0 ? Integer.MAX_VALUE + c : c;
            System.out.print("\\u");
            System.out.print(Integer.toHexString(i));
        }
    }

    void createTestFile(File file) throws DocumentException, IOException
    {
        Document document = new Document();
        OutputStream os = new FileOutputStream(file);
        PdfWriter.getInstance(document, os);
        document.open();

        BaseFont bfArialUni = BaseFont.createFont("C:\\Windows\\Fonts" + "\\ARIALUNI.TTF",
                                            BaseFont.IDENTITY_H, BaseFont.EMBEDDED);            
        Font fontArialUni = new Font(bfArialUni, 12f);
        Phrase myPhrase = new Phrase(LAWRENCE_OF_ARABIA, fontArialUni);

        PdfPTable table = new PdfPTable(1);
        PdfPCell cell = new PdfPCell(new Paragraph(myPhrase));
        cell.setColspan(3);
        cell.setPaddingRight(15f);
        cell.setBorder(PdfPCell.NO_BORDER);
        cell.setRunDirection(PdfWriter.RUN_DIRECTION_RTL);
        table.addCell(cell);

        document.add(table);
        document.close();
        os.close();
    }

    final static File TEST_FILE = new File("arabic-test.pdf");
    final static String LAWRENCE_OF_ARABIA =
        "\u0644\u0648\u0631\u0627\u0646\u0633\u0627\u0644\u0639\u0631\u0628";
}

字符串 LAWRENCE_OF_ARABIA 在语音上有点接近阿拉伯的劳伦斯。

文本的输出是:

\ufe8f\ufeae\ufecc\ufedf\ufe8e\ufeb4\ufee7\ufe8d\ufead\ufeee\ufedf

虽然这与输入不同，但快速查看 unicode 表会发现输入来自 Unicode 范围“Arabic”，输出来自 Unicode 范围“Arabic Presentation Forms-B”。此外，输出是从左到右，而输入是从右到左。

我自己不懂阿拉伯语，因此不能说输出的准确性如何，但解析的字符肯定来自适当的 Unicode 范围。

据我所知，在没有访问原始海报所使用的 PDF 的情况下，问题似乎不在于解析，而是正确使用解析器的输出。