ItextSharp - диакритические символы

Question

i чтение pdf-документов через библиотеку ItextSharp. Но эти документы на чешском языке, которые используют диакритические (ř ě ž š č и т. Д.) Как я могу читать эти символы? Есть идеи? Или, какое-то решение для замены этих символов для нормальных r e z s c? Это код в моем методе. Благодаря

PdfReader reader = new PdfReader("M:/ShareDirs_KSP/RDM_Debtors/DMS_PROD/" + src); 

    // we can inspect the syntax of the imported page 
    String text = new String(); 
    for (int page = 1; page <= 1; page++) { 

     text += PdfTextExtractor.getTextFromPage(reader, page); 
    } 

    reader.close(); 

Answer 1

Я написал небольшое доказательство концепции, что разбирает файл czech.pdf. Этот файл содержит несколько символов с диакритикой. Он был создан в ответ на следующий вопрос: Can't get Czech characters while generating a PDF

Текст сохраняется в файле дважды: один раз с использованием простого шрифта, один раз с использованием сложного шрифта. В моем доказательство концепции (названный ParseCzech), я разобрать этот PDF в файл закодирован с использованием UTF-8 (Юникод):

public void parse(String filename) throws IOException { 
    PdfReader reader = new PdfReader(filename); 
    FileOutputStream fos = new FileOutputStream(DEST); 
    for (int page = 1; page <= 1; page++) { 
     fos.write(PdfTextExtractor.getTextFromPage(reader, page).getBytes("UTF-8")); 
    } 
    fos.flush(); 
    fos.close(); 
} 

Результат является файл czech.txt:

Как вы можете видеть из экрана, текст извлекается правильно (но убедитесь, что используемый вами зритель знает, что файл закодирован как UTF-8, иначе вы можете видеть странные символы вместо фактического текста).

Обратите внимание, что некоторые PDF-файлы не позволяют корректно извлекать текст. Это объясняется в следующем видео:

Пожалуйста, поделитесь своим PDF-файлом, чтобы люди в StackOverflow могли проверить, не удастся ли вам извлечь текст из-за ошибки в вашем коде или не удалось ли вам добиться успеха, PDF не позволяет извлекать текст.