iTextSharp提取PDF时西里尔（俄/乌克兰语）字符缺失如何解决

核心问题原因 #

你当前代码里的字符丢失问题是三个错误共同导致的：

• 多余的错误编码转换：PdfTextExtractor.GetTextFromPage返回的本身就是.NET原生支持Unicode的字符串，你后续写的Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(thePage)))逻辑，会把所有ASCII码范围外的字符（乌克兰语、俄语的西里尔字母全在这个范围外）直接过滤掉，这是字符消失的最主要原因。
• 页码遍历边界错误：iTextSharp的页码从1开始计数，你当前的循环条件i < pdfReader.NumberOfPages会直接漏掉PDF的最后一页内容。
• 非规范PDF的字体映射缺失：部分生成不标准的西里尔PDF没有嵌入字体的ToUnicode映射表，默认提取策略无法正确匹配字符编码，就算去掉转码逻辑也可能出现乱码。

修复步骤 #

1. 直接删除所有手动转码的代码，.NET的string类型原生支持西里尔等非ASCII字符，不需要额外做编码转换。
2. 修正页码循环的判断条件，确保所有页面都能被遍历到。
3. 用using语句包裹PdfReader实例，避免文件资源泄露。

修正后可直接运行的代码 #

public static string GetText(string filePath)
{
    StringBuilder text = new StringBuilder();
    if (File.Exists(filePath))
    {
        using (PdfReader pdfReader = new PdfReader(filePath))
        {
            // 修正页码边界，遍历从1到总页数的所有页面
            for (int i = 1; i <= pdfReader.NumberOfPages; i++)
            {
                ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
                string thePage = PdfTextExtractor.GetTextFromPage(pdfReader, i, strategy);
                text.Append(Environment.NewLine);
                // 移除错误转码逻辑，直接追加提取结果
                text.Append(thePage);
            }
        }
    }
    return text.ToString();
}

特殊情况处理 #

• 如果运行修正后的代码依然存在西里尔字符乱码，说明目标PDF没有嵌入标准的ToUnicode字符映射表，这种情况需要先提取PDF内嵌的字体文件，通过字体自带的CMAP映射表手动匹配字符，或者换用对非标准编码兼容性更好的PDF解析库处理。
• 永远不要对文本提取方法返回的Unicode字符串做二次编码转码操作，这类操作只会破坏非ASCII字符，没有任何正向作用。

内容的提问来源于stack exchange，提问作者Krink