ITextSharp 使用法语脚本 MT 从 pdf 中提取文本

Question

我正在使用 ITextSharp 和列出的代码从 pdf 中提取文本。 但我发现有些行给了我不正确的结果：

1. 在 Excel 中 - “11 3 11”
2. 在 Visual Studio 中 - “11 \u0085\u0014\u0016\u001c 3 11”
3. pdf 格式 - “11 £139 3 11”

再举一个例子：

1. 在 Excel 中 - “2 45 1”
2. 在 Visual Studio 中 - “2 \u0085\u0019\u0018\u001b 45 1”
3. pdf 格式 - “2 £658 45 1”

经过调查，我发现 pdf 文件包含 法语脚本-mt-58fbba579ea99.ttf

using (PdfReader reader = new PdfReader(pfile.path)){
StringBuilder text = new StringBuilder();
if (pagenum == 0)
{
for (int i = 1; i <= reader.NumberOfPages; i++)
{
string page = "";
page = PdfTextExtractor.GetTextFromPage(reader, i, new 
iTextSharp.text.pdf.parser.SimpleTextExtractionStrategy());
string stringOutput = page;
string[] lines = stringOutput.Split('\n');
allData.Add(lines);
output = lines;
}
}
}

问题：

1. 如何将已加载的字体添加到 Extract 策略？
2. 是否可以创建映射，以便将 \u0085\u0014\u0016\u001c 转换为 £139？
3. 也许我在编码方面遗漏了什么？

Answer 1

所有带有英镑货币符号“£”的条目均使用字体（分别命名为 C2_0 和 C2_2）绘制，没有 PDF 文本提取所需的信息，如中所述PDF 规范 ISO 32000-1 第 9.10 节“文本内容的提取”：它们使用编码 Identity-H（这并不意味着映射到 Unicode）并且没有 ToUnicode映射。

用于其他条目的字体要么使用有意义的编码（T1_0 和 T1_1 使用 WinAnsiEncoding），要么具有 ToUnicode 地图 (C2_1)。

由于 iText 中的文本提取本质上遵循第 9.10 节中的描述，因此 iText 无法提取这些 £ 条目的实际文本，而是返回原始字形代码，就像 Adob​​e Reader 复制和粘贴一样。

通常这意味着必须求助于 OCR，或者将页面作为一个整体并使用 OCR 提取所有文本，或者单独使用相关字体的字符来构建 ToUnicode 表这些字体，然后如上所述提取文本。

不过，在这种情况下，C2_0 和 C2_2 嵌入字体程序本身包含将所包含字形映射到 Unicode 代码点的信息。因此，还可以利用这些字体程序中的信息构建 ToUnicode 表。可以使用可以处理真字体的字体库从字体程序中读取此类信息。