C＃iTextPdf以正确的格式读取PDF格式的阿拉伯语文本
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了C＃iTextPdf以正确的格式读取PDF格式的阿拉伯语文本相关的知识，希望对你有一定的参考价值。
我正在开发一个应用程序，将PDF格式的阿拉伯语文本提取为字符串变量，每个单词的顺序相反（وسيم而不是ميسو），有时排序正确，但字符分隔符（ميسو）相似的英文字符，但在阿拉伯语中，字符连接在一起。任何解决方案？：我在Windows 10本地使用visual studio 2017 C＃MVC Application，使用iTextSharp从PDF中读取文本。
在PDF查看器中看起来没问题，
private string GetTextFromPDF(string Path)
{
StringBuilder text = new StringBuilder();
using (PdfReader reader = new PdfReader(Path))
{
for (int i = 1; i <= reader.NumberOfPages; i++)
{
text.Append(PdfTextExtractor.GetTextFromPage(reader, i));
}
}
return text.ToString();
}
注意：问题不仅是逆序，如果我手动反转字符顺序（反向数组顺序），它将显示分隔文本
答案
你需要MirrorGlyphs，这就是大多数PDF编写者创建阿拉伯语PDF的方法。我已将bidi.js移植到C＃来解决此问题：
public class BidiResult
{
public string Text { set; get; }
public bool IsRtl { set; get; }
public BidiResult(string text, bool isRtl)
{
this.Text = text;
this.IsRtl = isRtl;
}
}
/// <summary>
/// Ported from https://github.com/mozilla/pdf.js/blob/master/src/core/bidi.js
/// </summary>
public static class Bidi
{
/// <summary>
/// Character types for symbols from 0000 to 00FF.
/// </summary>
public static string[] BaseTypes = new[] {
"BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "S", "B", "S", "WS",
"B", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN",
"BN", "BN", "B", "B", "B", "S", "WS", "ON", "ON", "ET", "ET", "ET", "ON",
"ON", "ON", "ON", "ON", "ON", "CS", "ON", "CS", "ON", "EN", "EN", "EN",
"EN", "EN", "EN", "EN", "EN", "EN", "EN", "ON", "ON", "ON", "ON", "ON",
"ON", "ON", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L",
"L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "ON", "ON",
"ON", "ON", "ON", "ON", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L",
"L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L",
"L", "ON", "ON", "ON", "ON", "BN", "BN", "BN", "BN", "BN", "BN", "B", "BN",
"BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN",
"BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN",
"BN", "CS", "ON", "ET", "ET", "ET", "ET", "ON", "ON", "ON", "ON", "L", "ON",
"ON", "ON", "ON", "ON", "ET", "ET", "EN", "EN", "ON", "L", "ON", "ON", "ON",
"EN", "L", "ON", "ON", "ON", "ON", "ON", "L", "L", "L", "L", "L", "L", "L",
"L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L",
"L", "ON", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L",
"L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L",
"L", "L", "L", "ON", "L", "L", "L", "L", "L", "L", "L", "L"
};
/// <summary>
/// Character types for symbols from 0600 to 06FF
/// </summary>
public static string[] ArabicTypes = new[] {
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"CS", "AL", "ON", "ON", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "AL",
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AL", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM",
"NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AN", "AN", "AN", "AN", "AN", "AN", "AN", "AN", "AN",
"AN", "ET", "AN", "AN", "AL", "AL", "AL", "NSM", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"AL", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM",
"NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "ON", "NSM",
"NSM", "NSM", "NSM", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL",
"AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL"
};
public static bool IsOdd(int i)
{
return (i & 1) != 0;
}
public static bool IsEven(int i)
{
return (i & 1) == 0;
}
public static int FindUnequal(string[] arr, int start, string value)
{
int j;
var jj = arr.Length;
for (j = start; j < jj; ++j)
{
if (arr[j] != value)
return j;
}
return j;
}
public static void SetValues(string[] arr, int start, int end, string value)
{
for (var j = start; j < end; ++j)
{
arr[j] = value;
}
}
public static char[] ReverseValues(char[] arr, int start, int end)
{
var j = end - 1;
for (var i = start; i < j; ++i, --j)
{
var temp = arr[i];
arr[i] = arr[j];
arr[j] = temp;
}
return arr;
}
public static char MirrorGlyphs(char c)
{
/*
# BidiMirroring-1.txt
0028; 0029 # LEFT PARENTHESIS
0029; 0028 # RIGHT PARENTHESIS
003C; 003E # LESS-THAN SIGN
003E; 003C # GREATER-THAN SIGN
005B; 005D # LEFT SQUARE BRACKET
005D; 005B # RIGHT SQUARE BRACKET
007B; 007D # LEFT CURLY BRACKET
007D; 007B # RIGHT CURLY BRACKET
00AB; 00BB # LEFT-POINTING DOUBLE ANGLE QUOTATION MARK
00BB; 00AB # RIGHT-POINTING DOUBLE ANGLE QUOTATION MARK
*/
switch (c)
{
case '(':
return ')';
case ')':
return '(';
case '<':
return '>';
case '>':
return '<';
case ']':
return '[';
case '[':
return ']';
case '}':
return '{';
case '{':
return '}';
case 'u00AB':
return 'u00BB';
case 'u00BB':
return 'u00AB';
default:
return c;
}
}
public static BidiResult BidiText(string str, int startLevel)
{
var isLtr = true;
var strLength = str.Length;
if (strLength == 0)
return new BidiResult(str, false);
// get types, fill arrays
var chars = new char[strLength];
var types = new string[strLength];
var oldtypes = new string[strLength];
var numBidi = 0;
for (var i = 0; i < strLength; ++i)
{
chars[i] = str[i];
var charCode = str[i];
string charType = "L";
if (charCode <= 0x00ff)
charType = BaseTypes[charCode];
else if (0x0590 <以上是关于C＃iTextPdf以正确的格式读取PDF格式的阿拉伯语文本的主要内容，如果未能解决你的问题，请参考以下文章