Spire.PDF for .NET 截取文本时, 文本内容与显示的内容不同

[wish98540]

您好，

我在截取文本时，发生文档中 [订单编号] 与实际内容不同的情况
检视了一下文档都是 Identity-H 编码
也都有 CID 字典与 ToUnicode 的对照

想询问一下，这是什么情况
还是只能透过 OCR 辨识了。。。

对照：
kgcshop#102266 -> kgcshop#102299
kgcshop#102295 -> kgcshop#1022 5

希望得到你们的协助，谢谢。

[Abel.He]

您好，

感谢您的留言。
对于您提供的pdf文档，就算通过adobe导出文本，也是会有此问题，如下截图。嗯，是可以考虑通过ocr进行扫描处理，我们目前最新版的Spire.Ocr1.8, 您可以先将pdf转为图片后，再进行扫描文字。您可以先测试一哈。

pdf转图片代码：

Code: Select all

 //Pdf file
            String file = @"..\..\..\..\..\..\Data\ToImage.pdf";

            //Open pdf document
            PdfDocument doc = new PdfDocument();
            doc.LoadFromFile(file);

            //Save to images
            for (int i = 0; i < doc.Pages.Count; i++)
            {
                String fileName = String.Format("ToImage-img-{0}.png", i);
                using (Image image = doc.SaveAsImage(i,300,300))
                {
                    image.Save(fileName, System.Drawing.Imaging.ImageFormat.Png);
                    System.Diagnostics.Process.Start(fileName);
                }
            }

            doc.Close();

Ocr扫描图片代码：

Code: Select all

OcrScanner scanner = new OcrScanner();
            scanner.Scan(@"../../data/222.png");
            File.WriteAllText(@"../../output/output.txt", scanner.Text.ToString());

Sincerely
Abel
E-iceblue support team