c# - itext 阅读 pdf 1s 作为向上箭头错误

Question

出于某种原因，itextsharp 现在正在阅读 pdf，其中包含诸如 4123 之类的数字 4*23，其中 * 实际上是一个向上的箭头。不知道为什么会这样。请帮忙。

谢谢。

示例文件位于此处:https://dl.dropboxusercontent.com/u/116833/SAMPLE%20PDF.pdf

Answer 1

出现箭头的原因是该文件实际上试图误导根据第 9.10.2 节将字符代码映射到 Unicode 值的指南提取文本的文本提取器 PDF 规范 ISO 32000-1 而不会混淆那些喜欢 ActualText 标记内容序列条目的方法:前一种方法导致相信“3”是箭头，而后者被告知“3”是三。

这样做很可能是为了防止自动文本提取，同时允许手动复制和粘贴，因为 Adob​​e Reader 确实更喜欢 ActualText 标记的内容序列条目(因此，手动提取可以正常工作)，而许多程序化提取器更喜欢前一种方法。

就我阅读规范的相关部分而言，它偏爱任何一种方式。

详情

例如查看第一部分编号:

BT
/T1_1 1 Tf
10 0 0 10 69.1456 750.2834 Tm
(1 )Tj
ET
EMC 
/Span <</MCID 14 >>BDC 
BT
/T1_1 1 Tf
10 0 0 10 89.5488 750.2834 Tm
(2)Tj
/Span<</ActualText<FEFF0033>>> BDC 
(3)Tj
EMC 
(412109 )Tj
ET
EMC 

如您所见，“3”标有 ActualText 条目，表明它确实是一个三(<FEFF0033> 是表示 Unicode 数字三的一种很长的方式)。

另一方面，字体 T1_1 提供包含映射的 ToUnicode 流

...
<30> <0030>
<31> <0031>
<32> <0032>
<33> <0018>
<34> <0034>
<35> <0035>
...

如您所见，虽然其他数字(0x30 是“0”，0x31 是“1”，...，0x39 是“9”)映射相同，但“3”，即 0x33，映射到 Unicode 代码指向 0x0018，和

U+0018 is the Unicode hex value of the character <control>, which is categorized as "control character" in the Unicode 6.0 character table.

"<control>" was previously named "CANCEL" in older versions of Unicode.

(cf. http://www.marathon-studios.com/unicode/U0018/Control)

在某些上下文中，此控制字符显示为向上箭头。