从pdf中提取阿拉伯语到字符串c#

Question

好的，我知道这个问题重复了太多次。但直到现在我还没有找到解决办法。我正在使用 iTextSharp 从 pdf 中提取。对于英语它效果很好，但对于阿拉伯语它总是显示“????????”在控制台和 .txt 中的“Ó å æ á É” 这是我的代码

private static string ReadPdfFile(string fileName)
    {
        StringBuilder text = new StringBuilder();


        if (File.Exists(fileName))
        {
            PdfReader pdfReader = new PdfReader(fileName);
            ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
            string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, 1, strategy);
            //currentText = Encoding.UTF8.GetString(UTF8Encoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(currentText)));
            text.Append(currentText);
        }

        return text.ToString();
    }

更新:

输出文件使用UTF8解决了问题现在我还有 2 个问题

它显示的是“ا ﻟ ﺘ ﻘ ﺪ ﻳ ﻢ ﺗ ﻢ”而不是“تم التوديم” 所以：

我需要删除字母之间的空格。
单词顺序颠倒了。

Answer 1

尝试使用以下代码将您的“Ó å æ á É”转换为“س ه و ل ٩”

public static string Arabic1256ToUtf8(string data)
{
    var latin = Encoding.GetEncoding("ISO-8859-1");
    var bytes = latin.GetBytes(data); // get the bytes for your ANSI string

    var arabic = Encoding.GetEncoding("Windows-1256"); // decode it using the correct encoding
    return arabic.GetString(bytes);
}

从pdf中提取阿拉伯语到字符串c#

extract arabic from pdf to string c#

c#

pdf

extract

arabic

itext