Java iText PDF坏字符转换

我有一个PDF文件要读，这让我崩溃了

pdf文件显示了一位客户的电费单（意大利语），他希望我阅读其中的文字

现在问题来了。当我将粘贴文本从pdf复制到记事本时，我得到了一堆无法理解的字符

经过大量研究，我找到了答案。pdf包含所有字体，但不包含允许导出文本的cmap。我发现它引用了一个旧版本的itext（我使用的是版本5.5.5）

如果可能的话，我想要实现的是将文本从字形代码转换为unicode

我发现了一些关于Cmap的参考资料，但不知道如何使用它们，显然在网上没有任何例子：(

这就是我尝试过的

PdfReader reader = new PdfReader("MyFile.pdf");
PdfReaderContentParser parser = new PdfReaderContentParser(reader);
PrintWriter out = new PrintWriter(new FileOutputStream(txt));
TextExtractionStrategy strategy;
strategy = parser.processContent(1, new SimpleTextExtractionStrategy());
String text = strategy.getResultantText();
String cmapFile="UnicodeBigUnmarked";
byte[] text = encodedText.getBytes();
String cid = PdfEncodings.convertToString(text, cmapFile);

Cid是一个漂亮的日本字符序列

而且：

FontFactory.registerDirectory("myDirectoryWithAllFonts");

在尝试转换之前。此解决方案似乎没有结果

任何帮助都将不胜感激。

您说：当我将粘贴文本从pdf复制到记事本时，我得到了一堆无法理解的字符。我假设您正在谈论在Adobe Reader中选择文本并尝试将其粘贴到文本编辑器中

如果此操作不成功，则您的PDF不允许您从PDF中提取文本，因为文本未正确存储在PDF中。请注意完整的解释

让我们从内部查看您的PDF：

我们看到一个文本对象的开头（上面写着

BT

，表示开始文本）.字体

/C2_1

是用字体大小1定义的。乍一看，这可能看起来很奇怪，但在转换过程中字体大小将缩放为6.9989。然后我们看到一些包含双字节字符字符串的文本数组，如

I R H E Z M W M S R H I P

iText应该如何解释这些字符？要找到答案，我们需要查看与

/C2_1

对应的字体所使用的编码：

啊哈，内容流中存储的Unicode字符与我们需要的实际字符相对应：

IRHE ZMWMSRI HIP

等等。这正是我们使用iText将PDF转换为文本时看到的

但是等一下！当我们使用Adobe Reader查看PDF时，为什么会看到其他字符？嗯，像

I

、

R

、

H

等字符都是与“程序”对应的地址指字形。此程序负责在页面上绘制字符。在这种情况下，字符

I

将与字母

I

的字形（或“图形”（如果您喜欢此单词）相对应。您的PDF中没有这种运气

---

现在，当您使用“带格式复制”时，Adobe会做什么？iText中有很多目前还没有实现的魔法。为什么不呢？嗯……我不知道Adobe的预算，但它可能比iText组的预算要高得多。从包含字体混淆信息的文档中提取文本不在iText组的技术路线图上。

嗯，你的假设是正确的，但是t我能使用“格式复制”功能在Adobe席上，然后成功地过去了。无论如何，我要看视频，请分享PDF，让我们可以看看它。我可以直接发送给U，因为它包含关于我的客户的明智的信息，并且真的不想与他们分享整个网络，没有条理的信息AWAIS工作：这是链接。您使用的文件共享服务的帮助要求我安装Chrome插件。我的政策是不这样做。请使用其他文件共享服务。