使用iText 7提取含Identity-H编码CID字体的PDF文本出现乱码如何解决

数据老陈

2026-9-29

iText 7提取Identity-H编码CID字体PDF乱码解决方案

问题根因

你代码中存在两处核心错误，导致提取文本乱码：

强制覆盖字体编码的操作完全错误：你当前遍历页面字体资源，强行全局设置/Encoding = IdentityH的逻辑会破坏原有Type0字体的结构，你使用的PDF本身字体的Encoding已经是Identity-H，不需要手动修改，该操作反而会导致iText解析字体配置出错。
未配置iText的字体加载路径：Identity-H编码的CID字体提取文本依赖ToUnicode映射表，若PDF未内置该映射表，iText需要加载到对应实际字体文件（此处为SegoeUI）做编码映射 fallback，你未配置字体加载逻辑。

修正后代码

using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser.Listener;
using iText.Kernel.Pdf.Canvas.Parser;
using System.Diagnostics;
using iText.IO.Font;
using iText.Kernel.Font;

namespace ItextTextExtract
{
    class Program
    {
        static void Main(string[] args)
        {
            // 配置字体加载路径，Windows系统默认SegoeUI字体路径如下，其他系统修改为对应字体存放路径
            FontProgramFactory.RegisterFontDirectory(@"C:\Windows\Fonts\");
            
            PdfReader pdfReader = new PdfReader(@"C:\Users\Myfile-_.pdf");
            PdfDocument pdfDoc = new PdfDocument(pdfReader);

            for (int page = 1; page <= pdfDoc.GetNumberOfPages(); page++)
            {
                ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
                string pageContent = PdfTextExtractor.GetTextFromPage(pdfDoc.GetPage(page), strategy);
                Debug.WriteLine("pageContent : " + pageContent);
            }
            pdfDoc.Close();
            pdfReader.Close();
        }
    }
}