如何解决使用iTextSharp Core提取PDF文本时的字体问题？

尝试从某政府PDF文档提取文本时触发如下错误：

PDF Extraction Error
Dictionary doesn't have supported font data.

iText.Kernel.Exceptions.PdfException

at iText.Kernel.Font.PdfFontFactory.CreateFont(PdfDictionary fontDictionary)
at iText.Kernel.Pdf.Canvas.Parser.PdfCanvasProcessor.GetFont(PdfDictionary fontDict)
at iText.Kernel.Pdf.Canvas.Parser.PdfCanvasProcessor.SetTextFontOperator.Invoke(PdfCanvasProcessor processor, PdfLiteral operator, IList`1 operands)
at iText.Kernel.Pdf.Canvas.Parser.PdfCanvasProcessor.InvokeOperator(PdfLiteral operator, IList`1 operands)
at iText.Kernel.Pdf.Canvas.Parser.PdfCanvasProcessor.ProcessContent(Byte[] contentBytes, PdfResources resources)
at iText.Kernel.Pdf.Canvas.Parser.PdfCanvasProcessor.ProcessPageContent(PdfPage page)
at iText.Kernel.Pdf.Canvas.Parser.PdfTextExtractor.GetTextFromPage(PdfPage page, ITextExtractionStrategy strategy, IDictionary`2 additionalContentOperators)
at iText.Kernel.Pdf.Canvas.Parser.PdfTextExtractor.GetTextFromPage(PdfPage page, ITextExtractionStrategy strategy)

已尝试Simple提取策略和Location-based提取策略，结果一致。此前从同站点其他数百份文档提取文本均无问题，无法控制该文档是否损坏。

解决方法 #

• 自定义字体处理逻辑：重写PdfCanvasProcessor的字体获取方法，捕获字体解析异常时返回默认字体（如Helvetica），跳过错误继续提取。示例代码：

  public class CustomPdfCanvasProcessor : PdfCanvasProcessor
  {
      public CustomPdfCanvasProcessor(ITextExtractionStrategy strategy) : base(strategy) { }
  
      protected override PdfFont GetFont(PdfDictionary fontDict)
      {
          try
          {
              return base.GetFont(fontDict);
          }
          catch (PdfException)
          {
              // 用默认字体替代无法解析的字体
              return PdfFontFactory.CreateFont(StandardFonts.HELVETICA);
          }
      }
  }
  

  使用时替换默认处理器处理页面内容即可。
• 切换PDF提取库：尝试PdfSharp、PDFBox.NET等其他库，这类库对异常字体的兼容性可能优于iText。如果文档是扫描生成的，还可以用Tesseract OCR进行光学字符识别。
• 预处理修复PDF：用Ghostscript重新生成PDF，修复字体相关的损坏问题。命令示例：

  gswin64c -o fixed.pdf -sDEVICE=pdfwrite -dPDFSETTINGS=/original input.pdf
  

关于字体与提取策略的关联 #

所有文本提取策略都依赖iText底层的字体解析逻辑——PDF中的文本并非直接存储为Unicode，而是通过字体字典定义的编码规则映射为可读字符。如果字体字典缺失必要的支持数据（如字体描述、编码映射表），iText无法完成字符到文本的转换，必然抛出错误。这和具体用哪种提取策略无关，因为策略只是决定文本的组织方式，不影响底层的字符解码过程。

内容的提问来源于stack exchange，提问作者richardtallent