如何使用C# 7.1读取阿拉伯语PDF文件？

我之前处理过类似的阿拉伯语PDF提取问题，你的代码用的是旧版iTextSharp的默认文本提取策略，它对从右到左（RTL）的阿拉伯语支持不足，所以只能读出英文字符。下面给你几个可行的解决方案：

方案1：升级到iText 7（推荐） #

旧版iTextSharp对双向文本（比如阿拉伯语）的处理逻辑不完善，而iText 7专门优化了RTL语言的文本提取。首先你需要通过NuGet安装iText 7的.NET包：

Install-Package iText7

然后使用以下代码提取文本，它会自动处理阿拉伯语的右到左排版：

private string GetArabicTextFromPDF(string path)
{
    StringBuilder text = new StringBuilder();
    using (PdfReader reader = new PdfReader(path))
    {
        PdfDocument pdfDoc = new PdfDocument(reader);
        for (int i = 1; i <= pdfDoc.GetNumberOfPages(); i++)
        {
            PdfPage page = pdfDoc.GetPage(i);
            // LocationTextExtractionStrategy在iText7中已支持RTL文本排序
            ITextExtractionStrategy strategy = new LocationTextExtractionStrategy();
            string pageText = PdfTextExtractor.GetTextFromPage(page, strategy);
            text.Append(pageText);
        }
    }
    return text.ToString();
}

方案2：针对旧版iTextSharp的兼容处理 #

如果你暂时不想升级版本，可以尝试更换文本提取策略，比如使用SimpleTextExtractionStrategy（不过它的排版可能不如iText7规整），或者自定义一个支持RTL的策略：

private string GetTextFromPDF(string path)
{
    StringBuilder text = new StringBuilder();
    using (PdfReader reader = new PdfReader(path))
    {
        for (int i = 1; i <= reader.NumberOfPages; i++)
        {
            // 替换为SimpleTextExtractionStrategy
            text.Append(PdfTextExtractor.GetTextFromPage(reader, i, new SimpleTextExtractionStrategy()));
        }
    }
    return text.ToString();
}

注意：这个方法可能会导致阿拉伯语的单词顺序颠倒，需要额外处理文本反转逻辑。

方案3：处理图像型阿拉伯语PDF #

如果你的PDF里的阿拉伯语是图像格式（不是可编辑的文本），那么上面的方法都没用，必须用OCR工具识别。推荐使用Tesseract OCR，步骤如下：

1. 通过NuGet安装Tesseract包：

Install-Package Tesseract

2. 下载阿拉伯语语言包（ara.traineddata），放在项目的tessdata目录下
3. 使用以下代码提取图像并识别：

using Tesseract;

private string GetArabicTextFromImagePDF(string path)
{
    StringBuilder text = new StringBuilder();
    using (PdfReader reader = new PdfReader(path))
    {
        PdfDocument pdfDoc = new PdfDocument(reader);
        for (int i = 1; i <= pdfDoc.GetNumberOfPages(); i++)
        {
            PdfPage page = pdfDoc.GetPage(i);
            PdfResources resources = page.GetResources();
            // 遍历页面中的所有图像资源
            foreach (PdfName name in resources.GetResourceNames())
            {
                if (resources.IsImage(name))
                {
                    PdfImageXObject img = resources.GetImage(name);
                    using (Bitmap bitmap = img.GetDrawingImage() as Bitmap)
                    {
                        // 初始化Tesseract引擎，指定阿拉伯语
                        using (var engine = new TesseractEngine(@"tessdata", "ara", EngineMode.Default))
                        {
                            using (var pix = PixConverter.ToPix(bitmap))
                            {
                                using (var pageResult = engine.Process(pix))
                                {
                                    text.Append(pageResult.GetText());
                                }
                            }
                        }
                    }
                }
            }
        }
    }
    return text.ToString();
}

额外注意事项 #

• 检查PDF中的阿拉伯语字体是否已嵌入：如果字体未嵌入，即使是文本型PDF也可能无法正确提取。你可以用Adobe Reader打开PDF，查看「文件→属性→字体」，确认阿拉伯语字体的状态是「已嵌入」。
• 如果字体未嵌入，建议联系PDF生成方重新生成嵌入字体的版本，否则只能依赖OCR识别。

内容的提问来源于stack exchange，提问作者user7085040