IText夏普從pdf提取文本與法文腳本MT

Question

我使用ITextSharp和列出的代碼從pdf中提取文本。 但我發現，一些行給我的不正確的結果：

在Excel
1. - 「11 3 11」 在Visual Studio
2. - 「11 \ u0085 \ u0014 \ u0016 \ u001c 3月11日」
3. 在PDF - 「11£139 3 11」

再舉一個例子：

在Excel
1. - 「2 45 1」
2. 在Visual Studio - 「2 \ u0085 \ u0019 \ u0018 \ u001b 45 1」 以PDF
3. - 「2£658 45 1」

調查後，我發現，PDF文件包含 法國腳本-mt-58fbba579ea99.ttf

using (PdfReader reader = new PdfReader(pfile.path)){ 
StringBuilder text = new StringBuilder(); 
if (pagenum == 0) 
{ 
for (int i = 1; i <= reader.NumberOfPages; i++) 
{ 
string page = ""; 
page = PdfTextExtractor.GetTextFromPage(reader, i, new 
iTextSharp.text.pdf.parser.SimpleTextExtractionStrategy()); 
string stringOutput = page; 
string[] lines = stringOutput.Split('\n'); 
allData.Add(lines); 
output = lines; 
} 
} 
} 

問題：

1. 我怎樣才能補充一點，我已經裝提取策略字體？
2. 是否可以創建映射，以便我可以將\ u0085 \ u0014 \ u0016 \ u001c轉換爲£139？
3. 也許我錯過了一些編碼？

Answer 1

所有以井貨幣符號的條目「£」使用而不爲PDF文本提取所需的信息字體（分別命名爲C2_0和C2_2），如PDF規範ISO 32000-1中描述繪製第9.10節「文本內容的提取」：它們使用編碼Identity-H（這不意味着任何到Unicode的映射），並且沒有映射到ToUnicode映射。

用於其它條目的字體或者使用一個有意義的編碼（T1_0和T1_1使用WinAnsiEncoding）或具有ToUnicode地圖（C2_1）。由於iText中的文本提取基本上遵循9.10節中的描述，因此iText無法提取這些條目的實際文本，而是返回原始字形代碼，就像Adobe Reader副本&粘貼那樣。

通常這意味着人們必須求助於OCR，無論是頁面作爲一個整體，並提取使用OCR，或有問題的字體的字符的所有文本單獨建立ToUnicode對於這些字體，然後表如上所述提取文本。

在這種情況下，雖然，C2_0和C2_2嵌入字體程序本身包含信息映射包含字形爲Unicode代碼點。因此，人們還可以利用這些字體程序中的信息構建表格。這些信息可以使用字體庫從字體程序讀取，該字體庫可以處理真正的字體。