使用iText 7.1.15与.NET Core 6.0读取PDF时部分内容乱码求助

出现无法复制的乱码，通常是因为PDF使用了无正确编码映射的自定义/嵌入字体，或者文本被渲染为矢量图形而非可提取的文本对象。以下是针对不同场景的解决方案：

1. 检查并修复字体编码映射 #

iText无法识别部分字体的编码时，会输出乱码。可以通过以下步骤排查和处理：

• 显式指定编码尝试提取：

  using (var reader = new PdfReader("target.pdf"))
  using (var doc = new PdfDocument(reader))
  {
      var strategy = new LocationTextExtractionStrategy();
      // 尝试UTF-8或PDFDocEncoding编码
      string text = PdfTextExtractor.GetTextFromPage(doc.GetPage(1), strategy);
  }
  

• 检查字体是否包含ToUnicode映射：
  ToUnicode CMap是PDF中用于将字形ID映射为实际字符的关键，缺失会导致提取失败。可以用代码检查：

  using (var reader = new PdfReader("target.pdf"))
  using (var doc = new PdfDocument(reader))
  {
      var page = doc.GetPage(1);
      var resources = page.GetResources();
      foreach (var fontName in resources.GetResourceNames(PdfName.Font))
      {
          var font = PdfFontFactory.CreateFont(resources.GetResource(fontName));
          Console.WriteLine($"字体名称：{font.GetFontProgram().GetFontNames().GetFontName()}");
          Console.WriteLine("是否包含ToUnicode映射：" + font.HasToUnicode());
      }
  }
  

• 自定义编码映射：如果缺失ToUnicode映射，且知道字体对应的字符集，可以手动构建字形ID到字符的映射表，通过自定义ITextExtractionStrategy实现提取。

2. 切换文本提取策略 #

iText提供多种提取策略，不同策略对复杂排版的支持不同：

• 尝试SimpleTextExtractionStrategy（适合简单布局）：

  using (var reader = new PdfReader("target.pdf"))
  using (var doc = new PdfDocument(reader))
  {
      var simpleStrategy = new SimpleTextExtractionStrategy();
      string text = PdfTextExtractor.GetTextFromPage(doc.GetPage(1), simpleStrategy);
  }
  

• 对于多列、重叠文本，可以使用FilteredTextRenderListener结合区域过滤提取。

3. 处理矢量图形化文本 #

如果乱码内容是用路径绘制的（非文本对象），普通提取方法无效，需要结合OCR工具：

• 先用iText将PDF页面转为高清图片：

  using (var reader = new PdfReader("target.pdf"))
  using (var doc = new PdfDocument(reader))
  {
      var page = doc.GetPage(1);
      var imageData = PdfCanvasProcessor.CreateImageData(page, 300f, 300f); // 300DPI保证清晰度
      Image image = new Image(imageData);
      image.Save("page1.png");
  }
  

• 再用Tesseract进行OCR识别（需安装Tesseract.NET NuGet包）：

  using (var engine = new TesseractEngine("./tessdata", "chi_sim", EngineMode.Default))
  {
      using (var img = Pix.LoadFromFile("page1.png"))
      using (var ocrPage = engine.Process(img))
      {
          string ocrText = ocrPage.GetText();
          Console.WriteLine(ocrText);
      }
  }
  

  注：OCR准确性依赖文本清晰度，可调整分辨率或添加灰度化、降噪等预处理步骤。

4. 升级iText版本 #

你当前使用的7.1.15版本存在部分字体编码处理的已知问题，升级到最新稳定版（如7.2.x）可能直接解决问题。

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