C# 使用itextSharp数字从pdf中提取文本

我有一个pdf文件，从中提取文本时遇到问题-使用itextsharp api

某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，我必须处理pdf文件，而不是文档

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，如果您尝试复制并粘贴底部的6位数字，您可以看到它从201333更改为333222

您还可以看到日期字符串的问题：11/4/2016变为///11110

当我在计算机上使用adobe pdf converter打印机打印pdf文件时，它会得到修复，但我需要自动修复它，例如使用C#

谢谢

文件在此处共享：

简而言之 iTextSharp文本提取结果准确地反映了PDF中所述字符的含义。因此，PDF规范（依赖于这些信息）推荐的文本提取总是会返回此信息

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

更详细地 首先，你说

我有一个pdf文件，从中提取文本时遇到问题-使用itextsharp api

因此，让它听起来像一个特定的问题。不过，稍后你会说

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的问题，则它不是iTextSharp特定的问题，而是多个PDF处理器（包括您复制和粘贴的查看器）的问题，或者只是您拥有的PDF的问题

事实证明，这是后者，你有一个关于其内容的PDF

例如，让我们看一下您指出的文本：

例如，如果您尝试复制并粘贴底部的6位数字，您可以看到它从201333更改为333222

查看PDF页面内容流，您会发现由以下说明生成的六位数字：

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

PDF中字体F3的映射现在声明：

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

1开始法兰
[   ]
endbfrange

也就是说，它说

• 字形0013表示Unicode码点0033，即数字

  3

• 字形0014表示Unicode代码点0033，即数字

  3

• 字形0015表示Unicode代码点0033，即数字

  3

• 字形0016表示Unicode码点0032，即数字

  2

因此，根据ToUnicode地图，使用上述指令绘制的符号字符串表示

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

。

请检查您的PDF，并检查是否存在类似问题。如果您无法检查自己，请共享您的PDF进行分析。非常感谢您提供详细信息。有没有ItextSharp解决方案？要寻找的解决方案是修复PDF。为了解决这个问题，可以使用iTextSharp作为PDF操作框架，但需要使用额外的资源，特别是字体库，最好使用创建文档中子集字体的字体，这可能不是一件小事，至少需要做一些工作。要做到这一点，一个人应该有一些知识的字体程序和PDF的内部。

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