时间戳

首页 > 解决方案 > iTextSharp 仅返回特定 PDF 文件的空格字符串

pdf - iTextSharp 仅返回特定 PDF 文件的空格字符串

问题描述

我正在测试这个简单的代码：

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System;
using System.Collections.Generic;
using System.IO;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Windows.Forms;

namespace PDF_TXT2
{
    class Program
    {
        [STAThread]
        static void Main(string[] args)
        {

            string path = args[0];

            string pathFileName = System.IO.Path.GetFileNameWithoutExtension(path);

            string pathFolder = System.IO.Path.GetDirectoryName(path);

            PdfReader reader = new PdfReader(path);

            string text = string.Empty;
            for (int page = 1; page <= reader.NumberOfPages; page++)
            {
                text += PdfTextExtractor.GetTextFromPage(reader, page);
            }
            reader.Close();

            Clipboard.SetText(text);
            MessageBox.Show(text);
        }
    }
}

这个特定的PDF文件会导致一个空字符串。实际上不是空的，而是充满了空格。

你能帮我理解为什么吗？

非常感谢！

标签： pdfitexttext-extraction

解决方案

PDF 中的字体有这个条目

/ToUnicode/Identity-H

即ToUnicode的值是名称 Identity-H。

但是，根据 PDF 规范，ToUnicode的值必须是一个流！

ToUnicode 流 （可选）包含将字符代码映射到 Unicode 值的 CMap 文件的流（参见 9.10，“文本内容的提取”）。

因此，您文件中的ToUnicode映射无效，这可能导致文本提取期间出现任意错误。

推荐阅读