我目前在做一个功能：用PDF Pig提取用户上传PDF里的文本，用来减少手动录入的工作量。大部分格式规范的PDF都能正常提取，但有一定比例的PDF提取后文本全是乱码，而且这些乱码的模式非常固定——比如本该是Veridian Homes Job Schedule的内容，提取后会变成sĞƌŝĚŝĂŶ,ŽŵĞƐ:Žď^ĐŚĞĚƵůĞ，所有这类损坏PDF的乱码规律都完全一致。

我的文本提取代码 #

using UglyToad.PdfPig;
using UglyToad.PdfPig.Content;
using UglyToad.PdfPig.DocumentLayoutAnalysis.TextExtractor;

string fileName = "fileName";
string fullText = "";
var filePath = "path";

using (var doc = PdfDocument.Open(filePath))
{
    foreach (Page page in doc.GetPages())
    {
        string pageText = ContentOrderTextExtractor.GetText(page);
        fullText += pageText;
    }
}
string path = @"C:\Users\mry10\Downloads\" + fileName + ".txt";
File.WriteAllText(path, fullText);
Console.WriteLine("Wrote to " + fileName);

已尝试的解决思路 #

• 切换多种编码格式转换乱码文本，但没有任何效果
• 参考了PDF Pig相关讨论里提到的UTFUnknown方案，但没能成功实现对应的转换
• 考虑过用Tesseract OCR替代文本提取，但OCR本身有一些实现上的问题，而且文本提取理论上应该比OCR更快更准确，所以优先想解决这个编码乱码的问题
• 知道有第三方PDF修复工具，但从当前的工作流来看，无法提前对用户上传的PDF做预处理

想请教的问题 #

1. 有没有标准的方法可以修复这种固定模式的乱码？
2. 如果没有标准方案，因为乱码的字符映射关系是固定的，我考虑过手动做字符映射转换，但感觉这种方法不够优雅，有没有更合理的实现方式？