PDF 到非英语文本提取 PDF

Question

我正在使用 DataLogic 实用程序 (Datalogics.PDFL) 来操作 PDF，我面临以下情况的问题。 带有非英文文本的 PDF 变得奇怪 output。

示例输入文件 SS

以相同的格式获取 output：

 WordFinderConfig wordConfig = new WordFinderConfig();
            wordConfig.IgnoreCharGaps = false;
            wordConfig.IgnoreLineGaps = false;
            wordConfig.NoAnnots = false;
            wordConfig.NoEncodingGuess = false;

            // Std Roman treatment for custom encoding; overrides the noEncodingGuess option
            wordConfig.UnknownToStdEnc = true;

            wordConfig.DisableTaggedPDF = false;    // legacy mode WordFinder creation
            wordConfig.NoXYSort = true;
            wordConfig.PreserveSpaces = false;
            wordConfig.NoLigatureExp = false;
            wordConfig.NoHyphenDetection = false;
            wordConfig.TrustNBSpace = false;
            wordConfig.NoExtCharOffset = false;     // text extraction efficiency
            wordConfig.NoStyleInfo = false;         // text extraction efficiency

            WordFinder wordFinder = new WordFinder(doc, WordFinderVersion.Latest, wordConfig);

Answer 1

我鼓励您升级到最新版本（例如通过 Nuget），如果您仍然遇到有问题的文本提取结果，请联系我们的 (Datalogics) 支持部门寻求帮助，并向他们提供输入文档和可运行的复制样本目的。