.net 使用itextsharp阅读PDF，其中PDF语言为非英语

我正在尝试使用C#中的itextsharp读取PDF，它将此PDF转换为word文件。它还需要在word中维护表格格式和字体 当我尝试使用英文pdf时，它将非常有效，但使用一些印度语言，如印地语、马拉地语，它就不起作用了

 public string ReadPdfFile(string Filename)
        {

            string strText = string.Empty;
            StringBuilder text = new StringBuilder();
            try
            {
                PdfReader reader = new PdfReader((string)Filename);
                if (File.Exists(Filename))
                {
                    PdfReader pdfReader = new PdfReader(Filename);

                    for (int page = 1; page <= pdfReader.NumberOfPages; page++)
                    {                        ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
                        string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, page, strategy);

                        text.Append(currentText);
                        pdfReader.Close();
                    }
                }
            }
            catch (Exception ex)
            {
                MessageBox.Show(ex.Message);
            }
            textBox1.Text = text.ToString();
            return text.ToString(); ;
        }

publicstringreadpdffile（字符串文件名）
{
string strText=string.Empty；
StringBuilder text=新的StringBuilder（）；
尝试
{
PdfReader reader=新的PdfReader（（字符串）文件名）；
if（File.Exists（Filename））
{
PdfReader PdfReader=新PdfReader（文件名）；
对于@mkl所说的（int page=1；page），我们需要更多关于为什么事情不起作用的信息

首先，
simpletextractionstrategy
非常简单

如果PDF以非自上而下的方式呈现文本，这将导致文本无法真实表示其在PDF中的显示方式

这意味着，尽管PDF看起来应该从上到下阅读，但它可能是以不同的顺序编写的。您引用的PDF实际上先编写了第二个可视行。请参阅my，它尝试从上到下返回文本。当我针对您的PDF的第一页运行代码时，它似乎会将每个文本都拉出“行”正确

第二，PDF没有表格的概念。它们只是在某些位置绘制文本和线条，它们彼此都不相关。这意味着你需要计算每一行并构建自己的表格概念，你在iTextSharp中找不到任何代码为你做这件事。我个人不会这么做我甚至懒得写一本

第三，文本提取用于提取与字体无关的文本。如果你想这样做，你必须自己构建这种逻辑。请参阅my以了解最基本的开始。
我检查了你的文件，特别关注了你的示例”मतद|र“提取为”मतदरर“在文档页面的最顶行中

简言之：

您的文档本身提供了一些信息，例如“符号”मतद|र“在标题行中表示文本”मतदरर“。您应该向文档的来源询问一个文档版本，该版本的字体信息不会产生误导。如果不可能，您应该使用OCR

详细内容：

第一页的顶行由页面内容流中的以下操作生成：

/9 280 Tf
(-12"!%$"234%56*5) Tj

第一行选择大小为280的名为/9的字体（页面开头的操作会将所有内容按0.05的系数进行缩放；因此，文件中的有效大小为14个单位）

第二行打印字形。这些字形在括号中使用该字体的自定义编码引用

当程序试图提取文本时，它必须使用字体中的信息从这些字形引用中推断出实际字符

PDF第一页上的字体/9是使用以下对象定义的：

242 0 obj<<
    /Type/Font/Name/9/BaseFont 243 0 R/FirstChar 33/LastChar 94
    /Subtype/TrueType/ToUnicode 244 0 R/FontDescriptor 247 0 R/Widths 248 0 R>>
endobj
243 0 obj/CDAC-GISTSurekh-Bold+0
endobj 
247 0 obj<<
    /Type/FontDescriptor/FontFile2 245 0 R/FontBBox 246 0 R/FontName 243 0 R
    /Flags 4/MissingWidth 946/StemV 0/StemH 0/CapHeight 500/XHeight 0
    /Ascent 1050/Descent -400/Leading 0/MaxWidth 1892/AvgWidth 946/ItalicAngle 0>>
endobj 

因此，从第一个文档页面的标题中提取的文本iTextSharp（以及Adobe Reader！）正是该文档在其字体信息中声称的正确内容

由于字体定义中存在误导性的映射信息，因此文档中到处都存在误解也就不足为奇了。
不幸的是，您只是说它不起作用，但并不是出了什么问题。尽管如此，当使用Acrobat Reader从文档中复制和粘贴时，我得到的字符是ich显然与原始PDF内容不同。由于Acrobat Reader有一台相当好的文本提取机器，我假设您的PDF中的印度语文本没有包含除OCR之外的文本提取所需的所有信息。@mkl感谢您的回复。问题是它正在读wordमतदरर 实际单词是मतद|र. pdf中的所有单词都发生了这种情况。因此，单词的实际含义发生了变化。您对此有何建议？我将研究pdf。但是，即使adobe reader没有正确地从pdf中提取文本，我假设您的pdf中的印度文文本没有包含除OCR之外的所有文本提取所需的信息。@mkl那么这是否意味着此PDF将不会转换为word文件？+1；不过，有一句话是这样的：
simpletextractionstrategy
虽然简单，但对于某些文档来说可能仍然是最佳选择；特别是在多栏文本的情况下，只要文本在阅读时已添加到内容中，就不容易识别列分隔顺序。一个人必须根据每个文档来决定。@Chris Haas谢谢你的回答问题是它正在阅读wordमतदरर  实际单词在哪里मतद|र. pdf中的所有单词都会出现这种情况。因此，单词的实际含义发生了变化。正如@mkl所说，即使是Adobe的程序也认为它是错误的文本，这说明可能存在一个很大的问题。更好的解决方案是使用适当的源文件。OCR的工作原理是将pdf页面呈现为位图图形（例如，使用PDFBox）我没有哪种OCR软件适合这项工作的经验。如果你想接受dare，你可能想创建一些代码，只渲染给定PDF中字体中包含的字形，对其进行OCR，导出正确的/ToUnicode表，并将这些表添加到相应PDF中的字体中。@mkl是获取ToUnicode的任何java代码都包含（-12”！%%“234%56*5）我想使用pdf附件中的java代码获取内容流->“/9280 Tf（-12”！%%“234%56*5）Tj”
<21> <21> <0930>
<22> <22> <0930>
<24> <24> <091c>
<25> <25> <0020>
<2a> <2a> <0031>
<2d> <2d> <092e>
<31> <31> <0924>
<32> <32> <0926>
<33> <33> <0926>
<34> <34> <002c>
<35> <35> <0032>
<36> <36> <0030>

- = 0x2d -> 0x092e = म
1 = 0x31 -> 0x0924 = त
2 = 0x32 -> 0x0926 = द
" = 0x22 -> 0x0930 = र    instead of  |
! = 0x21 -> 0x0930 = र
% = 0x25 -> 0x0020 =  
$ = 0x24 -> 0x091c = ज
" = 0x22 -> 0x0930 = र
2 = 0x32 -> 0x0926 = द
3 = 0x33 -> 0x0926 = द
4 = 0x34 -> 0x002c = ,
% = 0x25 -> 0x0020 =  
5 = 0x35 -> 0x0032 = 2
6 = 0x36 -> 0x0030 = 0
* = 0x2a -> 0x0031 = 1
5 = 0x35 -> 0x0032 = 2