Блог

Я использовал скрипт PowerShell с itextsharp для извлечения некоторых данных из PDF-файлов бухгалтерского учета для организации переименованных файлов ( с извлеченными данными ) в базе данных веб-сервера…

До недавнего времени все работало нормально :
Извлеченный текст больше не читается ; у меня есть такие символы, как

 !9H#SH!#!T !a!ST^ET
8%’?E!8A8A,A ;B;0D3FD
U .0’$=Q$;L?L$’($4-R$2’$4 (.’R.-./ ($D$
%M%G.T
 

Я предполагаю, что это как-то связано с новым способом кодирования после обновления программного обеспечения для бухгалтерского учета.
Работал простой скрипт, подобный приведенному ниже

 function convert-PDFtoText {
    param(
        [Parameter(Mandatory=$true)][string]$file
    )   
    Add-Type -Path "C:PathToitextsharp.dll"
    $pdf = New-Object iTextSharp.text.pdf.pdfreader -ArgumentList $file
    for ($page = 1; $page -le $pdf.NumberOfPages; $page  ){
        $text=[iTextSharp.text.pdf.parser.PdfTextExtractor]::GetTextFromPage($pdf,$page)
        Write-Output $text
    }   
    $pdf.Close()
}

$file = "C:ADA3_FA20210274.pdf"

convert-PDFtoText $file
 

Это не работает с этими новыми файлами PDF.

Если бы кто-нибудь мог показать мне, как с этим справиться, я был бы благодарен
Я использую itextsharp 5.5.13.2
Редактировать:
Здесь ссылка на один из этих PDF :pdf_exemple.pdf

короче говоря

Как уже указывалось, pdftotext.exe в CMap Юникода есть незаконные записи. Точнее говоря, все записи в картах кодов шрифтов в вашем PDF-файле недействительны. Таким образом, это не ошибка в извлечении текста, если ему не удается извлечь текст из вашего документа. Однако некоторые анализаторы, по-видимому, анализируют карты таким образом, чтобы игнорировать ошибки.

В Деталях

PDF-файлы в первую очередь предназначены для просмотра PDF-файлов, поэтому определения шрифтов в PDF-файлах просто должны обеспечивать сопоставление кодов, используемых в строковых аргументах текста с инструкциями, с определением рисунка глифа, например, в потоке ttf, встроенном в pdf. В частности, им не нужно предоставлять сопоставление этих кодов с символами Юникода. Таким образом, правильное отображение PDF-файлов не означает, что из них можно извлечь текст.

PDF-файл может содержать сопоставления этих кодов с символами Юникода в так называемых картах кодов. И в случае вашего PDF-файла такие карты предоставляются, но все они сломаны.

Эти карты в текстовой форме должны содержать раздел codespacerange, который определяет природу кодов, в частности, составляет ли один байт или несколько байтов код для одного глифа. Затем в разделах bfchar и bfrange отдельные коды или диапазоны кодов должны быть сопоставлены с отдельными строками Юникода или их диапазонами соответственно. Коды и строки Юникода даны в шестнадцатеричной системе счисления в угловых скобках.

 1 begincodespacerange
<00> <FF>
endcodespacerange
 

 66 beginbfchar
<0021> <0032#1>
<0022> <0036#1>
<0023> <0030#1>
<0024> <0020#1>
<0025> <0041#1>
<0026> <0076#1>
...
<005D> <0025#1>
<005E> <002C#1>
<005F> <004B#1>
<0060> <0062#1>
<0061> <00A0#1>
<0062> <0044#0>
endbfchar