使用itextsharp从pdf中提取文本返回空字符串

Posted 2021-04-11

我有一个pdf file。安装一些字体后，可以在Edge浏览器或adobe reader中提取文本。请告诉我如何使用itextsharp（最新版本5.x）提取文本。我用这个命令。空文本正在返回。但该文件有8页文字。

  var reader = new PdfReader(bytes);
  var pages = reader.NumberOfPages;
  for (int i = 1; i <= pages; i++)
  {
    var t = PdfTextExtractor.GetTextFromPage(reader, i, new SimpleTextExtractionStrategy());
    text += t;
  }

答案

The PDF

乍一看，PDF似乎是由OCR程序进行的OCR，该程序没有意识到页面旋转了180°。

例如，第二页上的OCR程序以PDF查看器显示为左下角的方式开始：

并在此承认

epnq eoⅢ9時u ez `9P...
押印S ’句OP JuP9A...
eA I臥O9叩Od n^Z小no...

这不是那么糟糕，例如epnq eoⅢ...与旋转180°的...mce bude并不完全不同。

OCR软件似乎对CJK字形具有一定的亲和力;这种印象因使用Adobe-Japan1-2 ROS和90ms-RKSJ-H编码的字体而得到加强。

Text extraction

但是，考虑到上述所有信息，我有一些疑问

安装一些字体后，可以在Edge浏览器或adobe reader中提取文本。

至少我怀疑无论安装了多少字体，都可以提取与实际文本类似的任何内容。另一方面，Adobe Reader和Edge开箱即用这里提取从旋转字母识别的奇怪文本。

iText

我对iText的观察不同，而OP报告说

空文本正在返回

我得到了很多CJK字形（我添加了亚洲jar，但这可能会有所不同）。不幸的是，不是通过检查PDF找到的那些。

据我所知，在iText开发到版本5.5.x（含）期间，Encoding + ROS的文本提取从未成为焦点，特别是90ms-RKSJ-H的混合单字节/双字节编码可能不受支持。