C# iTextSharp Выделение китайского символа

Так что я пытаюсь извлечь китайские слова из PDF.C# iTextSharp Выделение китайского символа

У меня есть извлечение, работающее с помощью iTextSharp, но после извлечения, я обнаружил, что промежуток/скрытое пространство было добавлено между извлеченными символами. Это огромная проблема, потому что она разбивает символы на несколько разделенных пробелом строк, хотя это должна быть только одна строка.

Я пробовал различные кодировки, и все они создают одинаковый пробел/скрытое/добавленное пространство. Обычно это происходит со строками из 3 или более китайских иероглифов.

Моя цель - извлечь все китайские строки, как показано ниже. Любая помощь приветствуется.

Пример данных в формате PDF: 请 Б 请请 С 请请请 D 请请请请 Е 请请请请请 F 请请请请请请 1 请 2 请请 3 请请请 4 请请请请 5 请请请请请 6 请请请请请请请请请请请请请请请请请请请请请请请请请请请

ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy(); 
currentText = PdfTextExtractor.GetTextFromPage(pdfReader, page, strategy); 

byte[] bytes = Encoding.Unicode.GetBytes(currentText); 
byte[] cleanbytes = ScrubBytes(bytes); 

char[] chars = Encoding.Unicode.GetChars(bytes);      

currentText="A 请 B 请请 C 请 请请 D 请 请请请 E 请 请请请 请 F 请 请请请请 请 \n1 请 2 请请 3 请请 请 4 请请 请请 5 请请 请请请 6 请请 请请请请 \n请 请请 请 请请 请请请 请 请请请请 请 请请 请请请 请 "

Как вы видите, разрыв был добавлен в C и D, и в E и F. были вставлены 2 зазора.

массив символов для данных контента, перечисленных ниже:

[0] 65 'A' char 
     [1] 32 ' ' char 
     [2] 35831 '请' char 
     [3] 32 ' ' char 
     [4] 66 'B' char 
     [5] 32 ' ' char 
     [6] 35831 '请' char 
     [7] 35831 '请' char 
     [8] 32 ' ' char 
     [9] 67 'C' char 
     [10] 32 ' ' char 
     [11] 35831 '请' char 
     [12] 32 ' ' char 
     [13] 35831 '请' char 
     [14] 35831 '请' char 
     [15] 32 ' ' char 
     [16] 68 'D' char 
     [17] 32 ' ' char 
     [18] 35831 '请' char 
     [19] 32 ' ' char 
     [20] 35831 '请' char 
     [21] 35831 '请' char 
     [22] 35831 '请' char 
     [23] 32 ' ' char 
     [24] 69 'E' char 
     [25] 32 ' ' char 
     [26] 35831 '请' char 
     [27] 32 ' ' char 
     [28] 35831 '请' char 
     [29] 35831 '请' char 
     [30] 35831 '请' char 
     [31] 32 ' ' char 
     [32] 35831 '请' char 
     [33] 32 ' ' char 
     [34] 70 'F' char 
     [35] 32 ' ' char 
     [36] 35831 '请' char 
     [37] 32 ' ' char 
     [38] 35831 '请' char 
     [39] 35831 '请' char 
     [40] 35831 '请' char 
     [41] 35831 '请' char 
     [42] 32 ' ' char 
     [43] 35831 '请' char 
     [44] 32 ' ' char 
     [45] 10 '\n' char 
     [46] 49 '1' char 
     [47] 32 ' ' char 
     [48] 35831 '请' char 
     [49] 32 ' ' char 
     [50] 50 '2' char 
     [51] 32 ' ' char 
     [52] 35831 '请' char 
     [53] 35831 '请' char 
     [54] 32 ' ' char 
     [55] 51 '3' char 
     [56] 32 ' ' char 
     [57] 35831 '请' char 
     [58] 35831 '请' char 
     [59] 32 ' ' char 
     [60] 35831 '请' char 
     [61] 32 ' ' char 
     [62] 52 '4' char 
     [63] 32 ' ' char 
     [64] 35831 '请' char 
     [65] 35831 '请' char 
     [66] 32 ' ' char 
     [67] 35831 '请' char 
     [68] 35831 '请' char 
     [69] 32 ' ' char 
     [70] 53 '5' char 
     [71] 32 ' ' char 
     [72] 35831 '请' char 
     [73] 35831 '请' char 
     [74] 32 ' ' char 
     [75] 35831 '请' char 
     [76] 35831 '请' char 
     [77] 35831 '请' char 
     [78] 32 ' ' char 
     [79] 54 '6' char 
     [80] 32 ' ' char 
     [81] 35831 '请' char 
     [82] 35831 '请' char 
     [83] 32 ' ' char 
     [84] 35831 '请' char 
     [85] 35831 '请' char 
     [86] 35831 '请' char 
     [87] 35831 '请' char 
     [88] 32 ' ' char 
     [89] 10 '\n' char 
     [90] 35831 '请' char 
     [91] 32 ' ' char 
     [92] 35831 '请' char 
     [93] 35831 '请' char 
     [94] 32 ' ' char 
     [95] 35831 '请' char 
     [96] 32 ' ' char 
     [97] 35831 '请' char 
     [98] 35831 '请' char 
     [99] 32 ' ' char 
     [100] 35831 '请' char 
     [101] 35831 '请' char 
     [102] 35831 '请' char 
     [103] 32 ' ' char 
     [104] 35831 '请' char 
     [105] 32 ' ' char 
     [106] 35831 '请' char 
     [107] 35831 '请' char 
     [108] 35831 '请' char 
     [109] 35831 '请' char 
     [110] 32 ' ' char 
     [111] 35831 '请' char 
     [112] 32 ' ' char 
     [113] 35831 '请' char 
     [114] 35831 '请' char 
     [115] 32 ' ' char 
     [116] 35831 '请' char 
     [117] 35831 '请' char 
     [118] 35831 '请' char 
     [119] 32 ' ' char 
     [120] 35831 '请' char 
     [121] 32 ' ' char

байт ниже:

bytes {byte[244]} byte[] 
[0] 65 byte 
[1] 0 byte 
[2] 32 byte 
[3] 0 byte 
[4] 247 byte 
[5] 139 byte 
[6] 32 byte 
[7] 0 byte 
[8] 66 byte 
[9] 0 byte 
[10] 32 byte 
[11] 0 byte 
[12] 247 byte 
[13] 139 byte 
[14] 247 byte 
[15] 139 byte 
[16] 32 byte 
[17] 0 byte 
[18] 67 byte 
[19] 0 byte 
[20] 32 byte 
[21] 0 byte 
[22] 247 byte 
[23] 139 byte 
[24] 32 byte 
[25] 0 byte 
[26] 247 byte 
[27] 139 byte 
[28] 247 byte 
[29] 139 byte 
[30] 32 byte 
[31] 0 byte 
[32] 68 byte 
[33] 0 byte 
[34] 32 byte 
[35] 0 byte 
[36] 247 byte 
[37] 139 byte 
[38] 32 byte 
[39] 0 byte 
[40] 247 byte 
[41] 139 byte 
[42] 247 byte 
[43] 139 byte 
[44] 247 byte 
[45] 139 byte 
[46] 32 byte 
[47] 0 byte 
[48] 69 byte 
[49] 0 byte 
[50] 32 byte 
[51] 0 byte 
[52] 247 byte 
[53] 139 byte 
[54] 32 byte 
[55] 0 byte 
[56] 247 byte 
[57] 139 byte 
[58] 247 byte 
[59] 139 byte 
[60] 247 byte 
[61] 139 byte 
[62] 32 byte 
[63] 0 byte 
[64] 247 byte 
[65] 139 byte 
[66] 32 byte 
[67] 0 byte 
[68] 70 byte 
[69] 0 byte 
[70] 32 byte 
[71] 0 byte 
[72] 247 byte 
[73] 139 byte 
[74] 32 byte 
[75] 0 byte 
[76] 247 byte 
[77] 139 byte 
[78] 247 byte 
[79] 139 byte 
[80] 247 byte 
[81] 139 byte 
[82] 247 byte 
[83] 139 byte 
[84] 32 byte 
[85] 0 byte 
[86] 247 byte 
[87] 139 byte 
[88] 32 byte 
[89] 0 byte 
[90] 10 byte 
[91] 0 byte 
[92] 49 byte 
[93] 0 byte 
[94] 32 byte 
[95] 0 byte 
[96] 247 byte 
[97] 139 byte 
[98] 32 byte 
[99] 0 byte 
[100] 50 byte 
[101] 0 byte 
[102] 32 byte 
[103] 0 byte 
[104] 247 byte 
[105] 139 byte 
[106] 247 byte 
[107] 139 byte 
[108] 32 byte 
[109] 0 byte 
[110] 51 byte 
[111] 0 byte 
[112] 32 byte 
[113] 0 byte 
[114] 247 byte 
[115] 139 byte 
[116] 247 byte 
[117] 139 byte 
[118] 32 byte 
[119] 0 byte 
[120] 247 byte 
[121] 139 byte 
[122] 32 byte 
[123] 0 byte 
[124] 52 byte 
[125] 0 byte 
[126] 32 byte 
[127] 0 byte 
[128] 247 byte 
[129] 139 byte 
[130] 247 byte 
[131] 139 byte 
[132] 32 byte 
[133] 0 byte 
[134] 247 byte 
[135] 139 byte 
[136] 247 byte 
[137] 139 byte 
[138] 32 byte 
[139] 0 byte 
[140] 53 byte 
[141] 0 byte 
[142] 32 byte 
[143] 0 byte 
[144] 247 byte 
[145] 139 byte 
[146] 247 byte 
[147] 139 byte 
[148] 32 byte 
[149] 0 byte 
[150] 247 byte 
[151] 139 byte 
[152] 247 byte 
[153] 139 byte 
[154] 247 byte 
[155] 139 byte 
[156] 32 byte 
[157] 0 byte 
[158] 54 byte 
[159] 0 byte 
[160] 32 byte 
[161] 0 byte 
[162] 247 byte 
[163] 139 byte 
[164] 247 byte 
[165] 139 byte 
[166] 32 byte 
[167] 0 byte 
[168] 247 byte 
[169] 139 byte 
[170] 247 byte 
[171] 139 byte 
[172] 247 byte 
[173] 139 byte 
[174] 247 byte 
[175] 139 byte 
[176] 32 byte 
[177] 0 byte 
[178] 10 byte 
[179] 0 byte 
[180] 247 byte 
[181] 139 byte 
[182] 32 byte 
[183] 0 byte 
[184] 247 byte 
[185] 139 byte 
[186] 247 byte 
[187] 139 byte 
[188] 32 byte 
[189] 0 byte 
[190] 247 byte 
[191] 139 byte 
[192] 32 byte 
[193] 0 byte 
[194] 247 byte 
[195] 139 byte 
[196] 247 byte 
[197] 139 byte 
[198] 32 byte 
[199] 0 byte 
[200] 247 byte 
[201] 139 byte 
[202] 247 byte 
[203] 139 byte 
[204] 247 byte 
[205] 139 byte 
[206] 32 byte 
[207] 0 byte 
[208] 247 byte 
[209] 139 byte 
[210] 32 byte 
[211] 0 byte 
[212] 247 byte 
[213] 139 byte 
[214] 247 byte 
[215] 139 byte 
[216] 247 byte 
[217] 139 byte 
[218] 247 byte 
[219] 139 byte 
[220] 32 byte 
[221] 0 byte 
[222] 247 byte 
[223] 139 byte 
[224] 32 byte 
[225] 0 byte 
[226] 247 byte 
[227] 139 byte 
[228] 247 byte 
[229] 139 byte 
[230] 32 byte 
[231] 0 byte 
[232] 247 byte 
[233] 139 byte 
[234] 247 byte 
[235] 139 byte 
[236] 247 byte 
[237] 139 byte 
[238] 32 byte 
[239] 0 byte 
[240] 247 byte 
[241] 139 byte 
[242] 32 byte 
[243] 0 byte

источник

2015-03-04 Chris

Попробуйте 'Encoding.Unicode.GetString () 'вместо' GetChar() 'затем обрабатывать каждый символ оттуда. Другим тестом является попытка кодирования с использованием 'UTF8'. – Papa

Итак, что делает пространство действительным и недействительным? В других словах помимо недопустимых пробелов, которые вы упомянули, будут ли * когда-либо * пробелы в результирующем наборе? – OmegaMan

Так что я думаю, что он сработал. Процесс сохранения документа MS-Word в формате PDF не позволяет пользователю выбирать Unicode * в качестве формата. Таким образом, мой PDF был закодирован с использованием того, что использует MS Word, что создавало проблему с нисходящим потоком. Когда я сохраняю файл как .txt с параметром Unicode, код работает отлично. – Chris

Возьмите результат и использовать регулярное выражение замены удалить любые пробелы (вкладки, пробелы и т.д.), такие как:

string text = "A 请 B 请请 C 请 请请 D 请 请请请 E 请 请请请 请 F 请"; 

Console.WriteLine (Regex.Replace(text, @"\s+", string.Empty)); 

// Result printed out 
// A请B请请C请请请D请请请请E请请请请请F请

источник

2015-03-04 21:17:12 OmegaMan

C# iTextSharp Выделение китайского символа

ответ

Смежные вопросы