使用DataLogic PDFL提取非英文PDF文本出现乱码问题求助

问题核心原因 #

你遇到的非英文文本乱码，根源在于WordFinderConfig里的UnknownToStdEnc参数被设置为true。这个配置会强制将未知编码的字符转换为标准罗马（Std Roman）编码，完全不兼容中文、日文等非英文体系的字符，直接导致非英文字符被错误映射，出现乱码。

修正后的配置代码 #

WordFinderConfig wordConfig = new WordFinderConfig();
wordConfig.IgnoreCharGaps = false;
wordConfig.IgnoreLineGaps = false;
wordConfig.NoAnnots = false;
wordConfig.NoEncodingGuess = false;  // 保留编码猜测逻辑，辅助识别非英文编码

// 关闭强制转罗马编码，这是修复非英文乱码的关键
wordConfig.UnknownToStdEnc = false;

wordConfig.DisableTaggedPDF = false;
wordConfig.NoXYSort = true;
wordConfig.PreserveSpaces = false;
wordConfig.NoLigatureExp = false;
wordConfig.NoHyphenDetection = false;
wordConfig.TrustNBSpace = false;
wordConfig.NoExtCharOffset = false;
wordConfig.NoStyleInfo = false;

WordFinder wordFinder = new WordFinder(doc, WordFinderVersion.Latest, wordConfig);

额外排查点 #

• 如果修改后仍有乱码，检查PDF本身的字体嵌入情况：若PDF未嵌入对应非英文字体，工具可能无法正确识别字符，这种情况需结合字体映射配置处理。
• 确认使用的Datalogics.PDFL为最新稳定版本，旧版本可能存在非英文编码识别的遗留bug。

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