You are viewing a plain text version of this content. The canonical link for it is here.
Posted to dev@pdfbox.apache.org by "John Hewson (JIRA)" <ji...@apache.org> on 2014/11/06 07:05:34 UTC
[jira] [Closed] (PDFBOX-1361) damaged arabic text after extraction
from pdf
[ https://issues.apache.org/jira/browse/PDFBOX-1361?page=com.atlassian.jira.plugin.system.issuetabpanels:all-tabpanel ]
John Hewson closed PDFBOX-1361.
-------------------------------
Resolution: Cannot Reproduce
Closing. Without the example PDF, there's not much we can do.
> damaged arabic text after extraction from pdf
> ---------------------------------------------
>
> Key: PDFBOX-1361
> URL: https://issues.apache.org/jira/browse/PDFBOX-1361
> Project: PDFBox
> Issue Type: Bug
> Components: Text extraction
> Affects Versions: 1.7.0
> Environment: Windows 7
> Eclipse v: last release
> PDFBOX 1.7.0.jar
> icu4j-49.jar
> Reporter: amin bouja
> Labels: newbie
> Original Estimate: 48h
> Remaining Estimate: 48h
>
> I am using PDFBOX 1.7.0 with the icu4j-49.jar to extract multilingual text from a pdf file, using this code:
> ***********************************************************************************|
> PDDocument pddDocument = PDDocument.load(new File("arabic.pdf")); |
> PDFTextStripper textStripper = new PDFTextStripper(); |
> String Text = textStripper.getText(pddDocument); |
> System.out.println(Text); |
> ***********************************************************************************
> I'am having as Output :
> 05:71 - 2102يوليوز 22األحد
> ي بدنه عند محطة للحافالت، اليوم األحد، ليصاب بحروق خطيرة وذلك بعد أضرم جندي إسرائيلي سابق يستخدم كرسيا متحركا النار ف
> .يومين من وفاة محتج متأثرا باصابات ناجمة عن حادث مماثل
> But it should be:
> الأحد 22 يوليوز 2012 - 17:58
> أضرم جندي إسرائيلي سابق يستخدم كرسيا متحركا النار في بدنه عند محطة للحافلات، اليوم الأحد، ليصاب بحروق خطيرة وذلك بعد يومين من وفاة محتج متأثرا باصابات ناجمة عن حادث مماثل.
>
--
This message was sent by Atlassian JIRA
(v6.3.4#6332)