使用 iText7 + C# 从 pdf 读取文本，文本无法识别答案

【问题标题】：Reading text from pdf with iText7 + C#, text not recognized使用 iText7 + C# 从 pdf 读取文本，文本无法识别
【发布时间】：2020-07-01 09:52:00
【问题描述】：

我想从 pdf 文档中读取数据。我使用 iText7：

var src = "<file location>";
var pdfDocument = new PdfDocument(new PdfReader(src));
var strategy = new LocationTextExtractionStrategy();
for (int i = 1; i <= pdfDocument.GetNumberOfPages(); ++i)
{
     var page = pdfDocument.GetPage(i);
     string text = PdfTextExtractor.GetTextFromPage(page, strategy);
     string processed = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(text)));
}
pdfDocument.Close();

它可以工作，但不能识别字母。所有文本看起来像

"��\n��\n�� \n

它是英文的，所以我认为编码不会有任何问题。这个问题的原因是什么，我该如何解决？

【问题讨论】：

您不需要文本转换。您可以使用 Acrobat 提取文本吗？如果你不能，游戏就结束了。
@PauloSoares 你所说的'with acrobat'是什么意思？
Adobe Acrobat 阅读器。您可以复制并粘贴在 Adobe Reader 中打开该 pdf 的文本吗？请分享有问题的pdf以供分析。
@dariaamir 你解决了这个问题吗？
@AdvanTiSS 不幸的是，没有。问题是由该文档中使用的自定义专有字体引起的。我尝试了几个不同的库，但都无法阅读。

标签： c# pdf itext

【解决方案1】：

您不需要正在进行的转换。将代码更改为：

StringBuilder processed = new StringBuilder();

    for (int i = 1; i <= pdfDocument.GetNumberOfPages(); ++i)
    {
         var page = pdfDocument.GetPage(i);
         string text = PdfTextExtractor.GetTextFromPage(page, strategy);
         processed.Append(text);
    }

【讨论】：

我在那里收到相同的文本��\n�� \n
@dariaamir 虽然您的文档问题是另一个问题，但您确实应该放弃该转换。看起来它只会造成伤害，而不会有任何帮助。或者你能解释一下你为什么使用它吗？
正如其他人评论的那样，pdf文件在adobe acrobat reader中打开时是否显示预期的文本？
@auburg 是的，我可以在 acrobat 阅读器中看到它。似乎，问题出在这个精确的 pdf 中使用的自定义字体....
看看这是否有帮助stackoverflow.com/questions/31746950/…