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 2014/10/10 21:41:34 UTC
[jira] [Resolved] (PDFBOX-1301) Wrong characters in HTML/TXT file
from PDF containing scanned pages/images
[ https://issues.apache.org/jira/browse/PDFBOX-1301?page=com.atlassian.jira.plugin.system.issuetabpanels:all-tabpanel ]
John Hewson resolved PDFBOX-1301.
---------------------------------
Resolution: Fixed
Fix Version/s: 2.0.0
This is fixed in 2.0
> Wrong characters in HTML/TXT file from PDF containing scanned pages/images
> --------------------------------------------------------------------------
>
> Key: PDFBOX-1301
> URL: https://issues.apache.org/jira/browse/PDFBOX-1301
> Project: PDFBox
> Issue Type: Bug
> Components: Text extraction
> Environment: Windows XP, java version "1.6.0_29"
> Reporter: Jan Divis
> Fix For: 2.0.0
>
> Attachments: 54391-scan.pdf, converted-wrong-chars.html, correct-chars-when-converted-splitted-page.html
>
>
> When trying to extract text/html from attached PDF file, there are some wrong characters (instead of characters with diacritics):
> Pro úþely tohoto Protokolu mohou bêt sdělení ]asílána prostřednictvím elektronickêch nebo Makêchkoli Minêch prostředkĤ
> instead of
> Pro účely tohoto Protokolu mohou být sdělení zasílána prostřednictvím elektronických nebo jakýchkoli jiných prostředků
> resp.
> Pro úþely tohoto Protokolu mohou bêt sdělení ]asílána prostřednictvím elektronickêch nebo
> Makêchkoli Minêch prostředkĤ
> instead of
> Pro účely tohoto Protokolu mohou být sdělení zasílána prostřednictvím elektronických nebo
> jakýchkoli jiných prostředků
--
This message was sent by Atlassian JIRA
(v6.3.4#6332)