使用 itextSharp 从 pdf 中提取文本会更改数字

Question

我有一个 pdf 文件，我无法从中提取文本 - 使用 itextsharp api。

一些数字被其他数字或反斜杠替换：“//”

pdf 文件最初来自 MS Word，并使用“另存为 pdf”导出为 pdf，我必须使用 pdf 文件而不是 Doc。

当您尝试从文件中复制和粘贴一些数字时，您可以非常清楚地看到问题 例如 - 如果您尝试在底部复制并粘贴一个 6 位数字，您会看到它从 201333 更改为 333222。

您还可以看到日期字符串的问题：11/4/2016 变成 // // 11110

当我在我的电脑上使用 adobe Pdf 转换器打印机打印 pdf 文件时，它得到了修复，但我需要自动修复它，例如使用 C#

谢谢

文件在此处共享： https://www.dropbox.com/s/j6w9350oyit0od8/OnePageGili.pdf?dl=0

Answer 1

简而言之

iTextSharp 文本提取结果准确地反映了 PDF 所声称的相关字符的含义。因此，PDF 规范推荐的文本提取（依赖于这些信息）总是会返回这个。

嵌入的字体包含不同的信息。因此，不相信这些信息的文本提取方法可能会返回更令人满意的结果。

更详细

首先，你说

我有一个 pdf 文件，我无法从中提取文本 - 使用 itextsharp api。

所以让它听起来像一个 iTextSharp 特定的问题。不过，后来你说

当您尝试从文件中复制和粘贴一些数字时，您可以非常清楚地看到问题

如果您还可以看到复制和粘贴问题，则它不是特定于 iTextSharp 的问题，而是多个 PDF 处理器的问题，包括您复制和粘贴的查看器，或者这只是您拥有的 PDF 的问题。

事实证明，是后者，你有一个关于其内容的 PDF。

例如，我们看一下你指出的文字：

例如 - 如果您尝试在底部复制并粘贴一个 6 位数字，您会看到它从 201333 变为 333222。

检查 PDF 页面内容流，您会发现这些指令生成的这六位数字：

/F3 11.04 Tf
...
[<00150013>-4<0014>8<00160016>-4<0016>] TJ

即字体选择F3（使用Identity-H编码，所以每个字形用两个字节表示），绘制的字形从左到右：

0015
0013
0014
0016
0016
0016

PDF 中字体 F3 的 ToUnicode 映射现在声明：

1 beginbfrange
<0013> <0016> [<0033> <0033> <0033> <0032>]
endbfrange 

即它说

• 字形 0013 表示 Unicode 代码点 0033，数字 3
• 字形 0014 表示 Unicode 代码点 0033，数字 3
• 字形 0015 表示 Unicode 代码点 0033，数字 3
• 字形 0016 表示 Unicode 代码点 0032，数字 2

因此，使用上述说明绘制的字形字符串根据 ToUnicode 映射表示 333222。

PDF 规范将 ToUnicode 映射作为将字符代码映射到 Unicode 值的最高优先级方法。因此，根据规范工作的文本提取器将在此处返回 333222。