使用iText7读取PDF ASCII文本返回乱码，如何解决？

一、iText7配置调整方案 #

你当前代码中未明确初始化strategy变量，这大概率是乱码的核心原因。默认文本提取策略无法适配部分PDF的自定义字体编码或非标准字体映射，可通过以下方式调整：

1. 显式使用标准提取策略并排查字体编码 #

先尝试用SimpleTextExtractionStrategy或LocationTextExtractionStrategy显式初始化，同时打印字体编码信息排查问题：

var pdfDocument = new PdfDocument(new PdfReader("你的PDF路径"));
StringBuilder processed = new StringBuilder();

for (int i = 1; i <= pdfDocument.GetNumberOfPages(); ++i)
{
    var page = pdfDocument.GetPage(i);
    // 显式使用位置文本提取策略
    var strategy = new LocationTextExtractionStrategy();
    string text = PdfTextExtractor.GetTextFromPage(page, strategy);
    processed.Append(text);

    // 打印当前页字体编码，排查异常
    var fonts = page.GetResources().GetFonts();
    foreach (var fontEntry in fonts)
    {
        var pdfFont = fontEntry.Value.GetFont();
        Console.WriteLine($"字体编码: {pdfFont.GetEncoding()}");
    }
}

2. 自定义渲染监听器处理编码转换 #

若发现字体使用非标准编码，可自定义监听器强制转换编码：

public class CustomTextStrategy : ITextExtractionStrategy
{
    private readonly StringBuilder _result = new();

    public void BeginTextBlock() { }
    public void EndTextBlock() { }
    public void RenderImage(ImageRenderInfo renderInfo) { }

    public void RenderText(TextRenderInfo renderInfo)
    {
        var rawText = renderInfo.GetText();
        // 尝试将默认编码转换为ASCII/UTF-8，过滤无效字符
        var cleanedText = Encoding.ASCII.GetString(
            Encoding.Convert(Encoding.Default, Encoding.ASCII, Encoding.Default.GetBytes(rawText))
        );
        _result.Append(cleanedText);
    }

    public string GetResultantText() => _result.ToString();
}

// 使用自定义策略
var strategy = new CustomTextStrategy();
string text = PdfTextExtractor.GetTextFromPage(page, strategy);

3. 处理特殊压缩/加密PDF #

如果PDF使用特殊压缩或加密，需配置读取器参数：

var readerProps = new ReaderProperties();
readerProps.SetUnethicalReading(true); // 解锁特殊压缩/加密的PDF读取权限
var pdfDocument = new PdfDocument(new PdfReader("你的PDF路径", readerProps));

二、替代PDF读取库推荐 #

若iText7调整后仍无法解决，以下库在复杂PDF文本提取上表现更稳定：

1. PdfSharp #

轻量级开源库，对编码兼容性较好：

using PdfSharp.Pdf;
using PdfSharp.Pdf.Content;
using PdfSharp.Pdf.Content.Objects;

var document = PdfReader.Open("你的PDF路径");
StringBuilder text = new();

foreach (PdfPage page in document.Pages)
{
    var reader = ContentReader.ReadContent(page);
    reader.Visit(new ContentVisitor(text));
}

public class ContentVisitor : IContentVisitor
{
    private readonly StringBuilder _text;
    public ContentVisitor(StringBuilder text) => _text = text;

    public void Visit(CObject obj)
    {
        if (obj is CString str) _text.Append(str.Value);
        else if (obj is CSequence seq)
        {
            foreach (var child in seq) child.Visit(this);
        }
    }
}

2. Syncfusion PDF Library #

商业库（提供免费社区版），对复杂字体、子集化字体的支持完善：

using Syncfusion.Pdf.Parsing;

var loadedDoc = new PdfLoadedDocument("你的PDF路径");
StringBuilder text = new();

foreach (PdfLoadedPage page in loadedDoc.Pages)
{
    text.Append(page.ExtractText());
}

3. Tesseract OCR（针对图像型PDF） #

若PDF是扫描生成的图像格式（即便能复制，可能是隐藏OCR文本），可转图像后用OCR提取：

using Tesseract;
using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser.Listener;

// 先将PDF页转为图像
var pdfDoc = new PdfDocument(new PdfReader("你的PDF路径"));
var page = pdfDoc.GetPage(1);
var imgRenderer = new PdfCanvasProcessor(new ImageRenderListener());
imgRenderer.ProcessPageContent(page);

// 用Tesseract提取图像文本
using var engine = new TesseractEngine(@"tessdata", "eng", EngineMode.Default);
using var pix = Pix.LoadFromFile("生成的图像路径.png");
using var ocrPage = engine.Process(pix);
var text = ocrPage.GetText();

三、额外排查点 #

• 检查PDF是否使用子集化字体：子集化字体仅嵌入部分字符，需确保字体编码表完整，可尝试用Adobe Acrobat导出完整字体后重新测试。
• 验证PDF文本是否为隐藏层文本：部分PDF会在图像层下嵌入OCR文本，需确保提取策略能读取隐藏内容。

内容的提问来源于stack exchange，提问作者Andrus