IText夏普从pdf提取文本与法文脚本MT

Question

我使用ITextSharp和列出的代码从pdf中提取文本。 但我发现，一些行给我的不正确的结果：

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”

再举一个例子：

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

调查后，我发现，PDF文件包含 法国脚本-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; 
} 
} 
} 

问题：

1. 我怎样才能补充一点，我已经装提取策略字体？
2. 是否可以创建映射，以便我可以将\ u0085 \ u0014 \ u0016 \ u001c转换为£139？
3. 也许我错过了一些编码？

Answer 1

所有以井货币符号的条目“£”使用而不为PDF文本提取所需的信息字体（分别命名为C2_0和C2_2），如PDF规范ISO 32000-1中描述绘制第9.10节“文本内容的提取”：它们使用编码Identity-H（这不意味着任何到Unicode的映射），并且没有映射到ToUnicode映射。

用于其它条目的字体或者使用一个有意义的编码（T1_0和T1_1使用WinAnsiEncoding）或具有ToUnicode地图（C2_1）。由于iText中的文本提取基本上遵循9.10节中的描述，因此iText无法提取这些条目的实际文本，而是返回原始字形代码，就像Adobe Reader副本&粘贴那样。

通常这意味着人们必须求助于OCR，无论是页面作为一个整体，并提取使用OCR，或有问题的字体的字符的所有文本单独建立ToUnicode对于这些字体，然后表如上所述提取文本。

在这种情况下，虽然，C2_0和C2_2嵌入字体程序本身包含信息映射包含字形为Unicode代码点。因此，人们还可以利用这些字体程序中的信息构建表格。这些信息可以使用字体库从字体程序读取，该字体库可以处理真正的字体。