2017-12-20 9 views
0

PDF에서 아랍어 텍스트를 문자열 변수로 추출하는 응용 프로그램에서 작업 중입니다. 각 단어의 순서는 역순이며 옳은 순서로 표시됩니다. 그러나 분리 된 문자 (م ي س و)와 유사한 영문 문자가 있지만 아랍어에서는 문자가 서로 연결되어 있습니다. 모든 솔루션? : 저는 Visual Studio 2017 C# MVC 응용 프로그램을 Windows 10 로컬에서 사용하고 있습니다. iTextSharp를 사용하여 PDF에서 텍스트를 읽습니다.C# iTextPdf 올바른 형식의 PDF에서 아랍어 텍스트 읽기

이 좋아 보이는 PDF 뷰어에서

, Text in PDF file 하지만 다음 코드를 실행하면

private string GetTextFromPDF(string Path) 
{ 
    StringBuilder text = new StringBuilder(); 
    using (PdfReader reader = new PdfReader(Path)) 
    { 
     for (int i = 1; i <= reader.NumberOfPages; i++) 
     { 
      text.Append(PdfTextExtractor.GetTextFromPage(reader, i)); 
     } 
    } 

    return text.ToString(); 
} 

the result as shown here each keyword written are in reverse order,

if used for the PDF with English Content it will show correct

참고 : 나는 경우 문제는, 순서를 반대로하지 않습니다 문자의 순서를 역순으로 (역 배열 순서) 분리 된 텍스트로 표시

+0

또는 일부에 대한 나는이 문제를 해결하기 위해 C 번호에 bidi.js를 포팅 한? iText 7을 사용하면 어떻게됩니까? 어쨌든 다른 누군가가 문제를 디버그 할 수 있도록 예제 파일을 업로드하는 것이 가장 좋습니다. – blagae

+0

뷰어 응용 프로그램에서 아랍어 텍스트를 표시 할 수 있습니까? 분리 된 형태에서 적절한 이니셜, 내측, 결승으로의 전환은 그 자체로 발생하지 않습니다. 시청자가이를 처리 할 수 ​​있어야합니다. – usr2564301

+0

@ usr2564301 예,이 응용 프로그램은 MS 워드 (.docx) 및 텍스트 (.txt) 문서와 함께 성공적으로 작동합니다. 모든 키워드는 완벽하게 추출되고 나열됩니다. –

답변

0

MirrorGlyphs이 필요합니다. 대부분의 PDF 작성자가 아랍어 PDF를 작성하는 방법입니다.

public class BidiResult 
{ 
    public string Text { set; get; } 
    public bool IsRtl { set; get; } 

    public BidiResult(string text, bool isRtl) 
    { 
     this.Text = text; 
     this.IsRtl = isRtl; 
    } 
} 


/// <summary> 
/// Ported from https://github.com/mozilla/pdf.js/blob/master/src/core/bidi.js 
/// </summary> 
public static class Bidi 
{ 
    /// <summary> 
    /// Character types for symbols from 0000 to 00FF. 
    /// </summary> 
    public static string[] BaseTypes = new[] { 
           "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "S", "B", "S", "WS", 
           "B", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", 
           "BN", "BN", "B", "B", "B", "S", "WS", "ON", "ON", "ET", "ET", "ET", "ON", 
           "ON", "ON", "ON", "ON", "ON", "CS", "ON", "CS", "ON", "EN", "EN", "EN", 
           "EN", "EN", "EN", "EN", "EN", "EN", "EN", "ON", "ON", "ON", "ON", "ON", 
           "ON", "ON", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", 
           "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "ON", "ON", 
           "ON", "ON", "ON", "ON", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", 
           "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", 
           "L", "ON", "ON", "ON", "ON", "BN", "BN", "BN", "BN", "BN", "BN", "B", "BN", 
           "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", 
           "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", "BN", 
           "BN", "CS", "ON", "ET", "ET", "ET", "ET", "ON", "ON", "ON", "ON", "L", "ON", 
           "ON", "ON", "ON", "ON", "ET", "ET", "EN", "EN", "ON", "L", "ON", "ON", "ON", 
           "EN", "L", "ON", "ON", "ON", "ON", "ON", "L", "L", "L", "L", "L", "L", "L", 
           "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", 
           "L", "ON", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", 
           "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", "L", 
           "L", "L", "L", "ON", "L", "L", "L", "L", "L", "L", "L", "L" 
          }; 

    /// <summary> 
    /// Character types for symbols from 0600 to 06FF 
    /// </summary> 
    public static string[] ArabicTypes = new[] { 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "CS", "AL", "ON", "ON", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "AL", 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AL", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", 
           "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AN", "AN", "AN", "AN", "AN", "AN", "AN", "AN", "AN", 
           "AN", "ET", "AN", "AN", "AL", "AL", "AL", "NSM", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "AL", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", 
           "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "NSM", "ON", "NSM", 
           "NSM", "NSM", "NSM", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", 
           "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL", "AL" 
          }; 

    public static bool IsOdd(int i) 
    { 
     return (i & 1) != 0; 
    } 

    public static bool IsEven(int i) 
    { 
     return (i & 1) == 0; 
    } 

    public static int FindUnequal(string[] arr, int start, string value) 
    { 
     int j; 
     var jj = arr.Length; 
     for (j = start; j < jj; ++j) 
     { 
      if (arr[j] != value) 
       return j; 
     } 
     return j; 
    } 

    public static void SetValues(string[] arr, int start, int end, string value) 
    { 
     for (var j = start; j < end; ++j) 
     { 
      arr[j] = value; 
     } 
    } 

    public static char[] ReverseValues(char[] arr, int start, int end) 
    { 
     var j = end - 1; 
     for (var i = start; i < j; ++i, --j) 
     { 
      var temp = arr[i]; 
      arr[i] = arr[j]; 
      arr[j] = temp; 
     } 
     return arr; 
    } 

    public static char MirrorGlyphs(char c) 
    { 
     /* 
     # BidiMirroring-1.txt 
     0028; 0029 # LEFT PARENTHESIS 
     0029; 0028 # RIGHT PARENTHESIS 
     003C; 003E # LESS-THAN SIGN 
     003E; 003C# GREATER-THAN SIGN 
     005B; 005D # LEFT SQUARE BRACKET 
     005D; 005B # RIGHT SQUARE BRACKET 
     007B; 007D # LEFT CURLY BRACKET 
     007D; 007B # RIGHT CURLY BRACKET 
     00AB; 00BB # LEFT-POINTING DOUBLE ANGLE QUOTATION MARK 
     00BB; 00AB # RIGHT-POINTING DOUBLE ANGLE QUOTATION MARK 
     */ 
     switch (c) 
     { 
      case '(': 
       return ')'; 
      case ')': 
       return '('; 
      case '<': 
       return '>'; 
      case '>': 
       return '<'; 
      case ']': 
       return '['; 
      case '[': 
       return ']'; 
      case '}': 
       return '{'; 
      case '{': 
       return '}'; 
      case '\u00AB': 
       return '\u00BB'; 
      case '\u00BB': 
       return '\u00AB'; 
      default: 
       return c; 
     } 
    } 

    public static BidiResult BidiText(string str, int startLevel) 
    { 
     var isLtr = true; 
     var strLength = str.Length; 
     if (strLength == 0) 
      return new BidiResult(str, false); 

     // get types, fill arrays 

     var chars = new char[strLength]; 
     var types = new string[strLength]; 
     var oldtypes = new string[strLength]; 
     var numBidi = 0; 

     for (var i = 0; i < strLength; ++i) 
     { 
      chars[i] = str[i]; 

      var charCode = str[i]; 
      string charType = "L"; 
      if (charCode <= 0x00ff) 
       charType = BaseTypes[charCode]; 
      else if (0x0590 <= charCode && charCode <= 0x05f4) 
       charType = "R"; 
      else if (0x0600 <= charCode && charCode <= 0x06ff) 
       charType = ArabicTypes[charCode & 0xff]; 
      else if (0x0700 <= charCode && charCode <= 0x08AC) 
       charType = "AL"; 

      if (charType == "R" || charType == "AL" || charType == "AN") 
       numBidi++; 

      oldtypes[i] = types[i] = charType; 
     } 

     // detect the bidi method 
     // if there are no rtl characters then no bidi needed 
     // if less than 30% chars are rtl then string is primarily ltr 
     // if more than 30% chars are rtl then string is primarily rtl 
     if (numBidi == 0) 
     { 
      return new BidiResult(str, true); 
     } 

     if (startLevel == -1) 
     { 
      if ((strLength/numBidi) < 0.3) 
      { 
       startLevel = 0; 
      } 
      else 
      { 
       isLtr = false; 
       startLevel = 1; 
      } 
     } 

     var levels = new int[strLength]; 

     for (var i = 0; i < strLength; ++i) 
     { 
      levels[i] = startLevel; 
     } 

     /* 
     X1-X10: skip most of this, since we are NOT doing the embeddings. 
     */ 

     var e = IsOdd(startLevel) ? "R" : "L"; 
     var sor = e; 
     var eor = sor; 

     /* 
     W1. Examine each non-spacing mark (NSM) in the level run, and change the 
     type of the NSM to the type of the previous character. If the NSM is at the 
     start of the level run, it will get the type of sor. 
     */ 

     var lastType = sor; 
     for (var i = 0; i < strLength; ++i) 
     { 
      if (types[i] == "NSM") 
       types[i] = lastType; 
      else 
       lastType = types[i]; 
     } 

     /* 
     W2. Search backwards from each instance of a European number until the 
     first strong type (R, L, AL, or sor) is found. If an AL is found, change 
     the type of the European number to Arabic number. 
     */ 

     lastType = sor; 
     for (var i = 0; i < strLength; ++i) 
     { 
      var t = types[i]; 
      if (t == "EN") 
       types[i] = (lastType == "AL") ? "AN" : "EN"; 
      else if (t == "R" || t == "L" || t == "AL") 
       lastType = t; 
     } 

     /* 
     W3. Change all ALs to R. 
     */ 

     for (var i = 0; i < strLength; ++i) 
     { 
      var t = types[i]; 
      if (t == "AL") 
       types[i] = "R"; 
     } 

     /* 
     W4. A single European separator between two European numbers changes to a 
     European number. A single common separator between two numbers of the same 
     type changes to that type: 
     */ 

     for (var i = 1; i < strLength - 1; ++i) 
     { 
      if (types[i] == "ES" && types[i - 1] == "EN" && types[i + 1] == "EN") 
       types[i] = "EN"; 
      if (types[i] == "CS" && (types[i - 1] == "EN" || types[i - 1] == "AN") && 
       types[i + 1] == types[i - 1]) 
       types[i] = types[i - 1]; 
     } 

     /* 
     W5. A sequence of European terminators adjacent to European numbers changes 
     to all European numbers: 
     */ 

     for (var i = 0; i < strLength; ++i) 
     { 
      if (types[i] == "EN") 
      { 
       // do before 
       for (var j = i - 1; j >= 0; --j) 
       { 
        if (types[j] != "ET") 
         break; 
        types[j] = "EN"; 
       } 
       // do after 
       for (var j = i + 1; j < strLength; --j) 
       { 
        if (types[j] != "ET") 
         break; 
        types[j] = "EN"; 
       } 
      } 
     } 

     /* 
     W6. Otherwise, separators and terminators change to Other Neutral: 
     */ 

     for (var i = 0; i < strLength; ++i) 
     { 
      var t = types[i]; 
      if (t == "WS" || t == "ES" || t == "ET" || t == "CS") 
       types[i] = "ON"; 
     } 

     /* 
     W7. Search backwards from each instance of a European number until the 
     first strong type (R, L, or sor) is found. If an L is found, then change 
     the type of the European number to L. 
     */ 

     lastType = sor; 
     for (var i = 0; i < strLength; ++i) 
     { 
      var t = types[i]; 
      if (t == "EN") 
       types[i] = (lastType == "L") ? "L" : "EN"; 
      else if (t == "R" || t == "L") 
       lastType = t; 
     } 

     /* 
     N1. A sequence of neutrals takes the direction of the surrounding strong 
     text if the text on both sides has the same direction. European and Arabic 
     numbers are treated as though they were R. Start-of-level-run (sor) and 
     end-of-level-run (eor) are used at level run boundaries. 
     */ 

     for (var i = 0; i < strLength; ++i) 
     { 
      if (types[i] == "ON") 
      { 
       var end = FindUnequal(types, i + 1, "ON"); 
       var before = sor; 
       if (i > 0) 
        before = types[i - 1]; 
       var after = eor; 
       if (end + 1 < strLength) 
        after = types[end + 1]; 
       if (before != "L") 
        before = "R"; 
       if (after != "L") 
        after = "R"; 
       if (before == after) 
        SetValues(types, i, end, before); 
       i = end - 1; // reset to end (-1 so next iteration is ok) 
      } 
     } 

     /* 
     N2. Any remaining neutrals take the embedding direction. 
     */ 

     for (var i = 0; i < strLength; ++i) 
     { 
      if (types[i] == "ON") 
       types[i] = e; 
     } 

     /* 
     I1. For all characters with an even (left-to-right) embedding direction, 
     those of type R go up one level and those of type AN or EN go up two 
     levels. 
     I2. For all characters with an odd (right-to-left) embedding direction, 
     those of type L, EN or AN go up one level. 
     */ 

     for (var i = 0; i < strLength; ++i) 
     { 
      var t = types[i]; 
      if (IsEven(levels[i])) 
      { 
       if (t == "R") 
       { 
        levels[i] += 1; 
       } 
       else if (t == "AN" || t == "EN") 
       { 
        levels[i] += 2; 
       } 
      } 
      else 
      { // isOdd, so 
       if (t == "L" || t == "AN" || t == "EN") 
       { 
        levels[i] += 1; 
       } 
      } 
     } 

     /* 
     L1. On each line, reset the embedding level of the following characters to 
     the paragraph embedding level: 

     segment separators, 
     paragraph separators, 
     any sequence of whitespace characters preceding a segment separator or 
     paragraph separator, and any sequence of white space characters at the end 
     of the line. 
     */ 

     // don't bother as text is only single line 

     /* 
     L2. From the highest level found in the text to the lowest odd level on 
     each line, reverse any contiguous sequence of characters that are at that 
     level or higher. 
     */ 

     // find highest level & lowest odd level 

     var highestLevel = -1; 
     var lowestOddLevel = 99; 
     var ii = levels.Length; 
     for (var i = 0; i < ii; ++i) 
     { 
      var level = levels[i]; 
      if (highestLevel < level) 
       highestLevel = level; 
      if (lowestOddLevel > level && IsOdd(level)) 
       lowestOddLevel = level; 
     } 

     // now reverse between those limits 

     for (var level = highestLevel; level >= lowestOddLevel; --level) 
     { 
      // find segments to reverse 
      var start = -1; 
      ii = levels.Length; 
      for (var i = 0; i < ii; ++i) 
      { 
       if (levels[i] < level) 
       { 
        if (start >= 0) 
        { 
         chars = ReverseValues(chars, start, i); 
         start = -1; 
        } 
       } 
       else if (start < 0) 
       { 
        start = i; 
       } 
      } 
      if (start >= 0) 
      { 
       chars = ReverseValues(chars, start, levels.Length); 
      } 
     } 

     /* 
     L3. Combining marks applied to a right-to-left base character will at this 
     point precede their base character. If the rendering engine expects them to 
     follow the base characters in the final display process, then the ordering 
     of the marks and the base character must be reversed. 
     */ 

     // don't bother for now 

     /* 
     L4. A character that possesses the mirrored property as specified by 
     Section 4.7, Mirrored, must be depicted by a mirrored glyph if the resolved 
     directionality of that character is R. 
     */ 

     // don't mirror as characters are already mirrored in the pdf 

     // Finally, return string 

     var result = string.Empty; 
     ii = chars.Length; 
     for (var i = 0; i < ii; ++i) 
     { 
      var ch = chars[i]; 
      if (ch != '<' && ch != '>') 
       result += ch; 
     } 

     return new BidiResult(result, isLtr); 
    } 
} 

어떻게 그것을 사용하는 :

public static string GetTextFromPDF(string path) 
{ 
    var reader = new PdfReader(path); 
    var text = new StringBuilder(); 
    for (var i = 1; i <= reader.NumberOfPages; i++) 
    { 
     var data = PdfTextExtractor.GetTextFromPage(reader, i, new SimpleTextExtractionStrategy()); 
     text.Append(Bidi.BidiText(data, 1).Text); 
    } 
    return text.ToString(); 
} 
모든 입력 파일에 대한
+0

감사합니다. 노력에 감사 드리며,이 코드를 사용하여이 클래스를 테스트했지만 오류없이 작동하지만 예상 한 결과가 아닙니다. 예, 문자 순서를 올바른 순서로 바꿨지 만 여전히 3 가지 문제가 있습니다. , 첫 번째 문자는 영어 문자처럼 분리됩니다. 두 번째로 단어는 (한 문장에서) 역순으로 나오고 세 번째 문장은 역순으로 나타납니다. –

+0

'w1을 테스트했습니다. pdf "와 그 결과입니다 :"السبت األحداثنين السبتاألحداثنين السبتاألحداثنين ". "لا"에 대한 더 많은 작업이 필요하지만 잘 작동하며 문자가 분리되지 않습니다. – VahidN