使用iTextSharp提取PDF阿拉伯语文本出现乱码问题求助

你的问题核心是阿拉伯语作为**从右到左（RTL）**书写系统，自带变音符号（Tashkeel）和连写字形，而SimpleTextExtractionStrategy仅按PDF底层的字符绘制顺序提取，完全不处理RTL文本的逻辑阅读顺序，也不会自动组合变音符号与基础字符，导致字符拆分、顺序颠倒。

解决方案 #

替换提取策略并添加阿拉伯语文本修复逻辑，以下是修改后的完整代码：

private static string ReadPdfFile(string fileName)
{
    StringBuilder text = new StringBuilder();

    if (File.Exists(fileName))
    {
        using (PdfReader pdfReader = new PdfReader(fileName))
        {
            // 使用LocationTextExtractionStrategy，按页面文本位置排序，更适配RTL语言
            ITextExtractionStrategy strategy = new LocationTextExtractionStrategy();
            string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, 1, strategy);
            
            // 修复阿拉伯语的变音符号组合与RTL顺序
            currentText = FixArabicText(currentText);
            
            text.Append(currentText);
        }
    }

    return text.ToString();
}

private static string FixArabicText(string input)
{
    if (string.IsNullOrEmpty(input))
        return input;

    // 组合变音符号与对应基础字符，避免符号单独拆分
    StringBuilder sb = new StringBuilder();
    TextElementEnumerator enumerator = StringInfo.GetTextElementEnumerator(input);
    while (enumerator.MoveNext())
    {
        sb.Append(enumerator.GetTextElement());
    }

    // 反转字符数组修正RTL顺序：PDF中RTL文本是从左到右绘制，提取后顺序反向
    char[] charArray = sb.ToString().ToCharArray();
    Array.Reverse(charArray);
    
    // 调整标点位置，避免反转后标点跑到文本开头
    int lastPunctuationIndex = -1;
    for (int i = charArray.Length - 1; i >= 0; i--)
    {
        if (char.IsPunctuation(charArray[i]))
        {
            lastPunctuationIndex = i;
            break;
        }
    }
    if (lastPunctuationIndex != -1 && lastPunctuationIndex != charArray.Length - 1)
    {
        char punctuation = charArray[lastPunctuationIndex];
        Array.Copy(charArray, lastPunctuationIndex + 1, charArray, lastPunctuationIndex, charArray.Length - lastPunctuationIndex - 1);
        charArray[charArray.Length - 1] = punctuation;
    }

    return new string(charArray);
}

关键说明 #

1. LocationTextExtractionStrategy：相比SimpleTextExtractionStrategy，它会按文本在页面上的物理位置排序提取，更符合人类阅读顺序。
2. FixArabicText方法：
   • 用StringInfo.GetTextElementEnumerator处理变音符号，确保符号和对应基础字符绑定，不会被拆分。
   • 反转字符数组修正RTL文本的顺序，因为PDF底层绘制RTL文本时是从左到右写入，提取后的字符顺序是反向的。
   • 调整标点位置，保证阿拉伯语标点符号出现在文本末尾（符合书写习惯）。

额外注意事项 #

• 确认PDF中的阿拉伯语是可提取的矢量文本，如果是图片格式的文本，需要搭配OCR工具处理。
• 尽量使用最新稳定版的iTextSharp，旧版本对RTL语言的支持存在缺陷。

内容的提问来源于stack exchange，提问作者Liam