在C＃中使用iTextSharp读取pdf内容

在.Net中，一旦有了一个字符串， 便有了一个字符串 ，并且它 始终 是Unipre
。实际的内存实现是UTF-16，但这并不重要。永远不要将字符串分解为字节，并尝试将其重新解释为不同的编码，然后将其拍回为字符串，因为这样做没有意义，并且几乎总是会失败。

您的问题是这一行：

currentText = Encoding.UTF8.GetString(Encoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.UTF8.GetBytes(currentText)));

我将其分成几行来说明：

byte[] bytes = Encoding.UTF8.GetBytes("ی"); //bytes now holds 0xDB8Cbyte[] converted = Encoding.Convert(Encoding.Default, Encoding.UTF8, bytes);//converted now holds 0xC39BC592string final = Encoding.UTF8.GetString(converted);//final now holds ÛŒ

该代码将混淆127 ASCII屏障以上的所有内容。删除重新编码行，您应该会很好。

旁注，很可能任何创建字符串的操作都会错误地进行，实际上并不太常见。但是您需要先解决该问题， 然后
再

string

byte

编辑

该代码应与上面的代码完全相同，只是应删除一行。另外，无论您使用什么显示文本，请确保其支持Unipre。另外，如@kuujinbo所说，请确保您使用的是iTextSharp的最新版本。我用5.2.0.0进行了测试。

    public string ReadPdfFile(string fileName) {        StringBuilder text = new StringBuilder();        if (File.Exists(fileName)) { PdfReader pdfReader = new PdfReader(fileName); for (int page = 1; page <= pdfReader.NumberOfPages; page++) {     ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();     string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, page, strategy);     text.Append(currentText); } pdfReader.Close();        }        return text.ToString();    }

编辑2

上面的代码解决了编码问题，但没有解决字符串本身的顺序。不幸的是，这个问题似乎是在PDF级别本身上。

因此，在这种从右到左的书写系统中显示文本需要分别定位每个字形（这既繁琐又昂贵），或者用显示字符串表示文本（请参见9.2，“字体的组织和使用”），其字符代码在相反的顺序。

PDF 2008 Spec-14.8.2.3.3-逆序显示字符串

当对上述字符串进行重新排序时，如果我正确理解规范，则内容应使用“已标记内容”部分

BMC