You are viewing a plain text version of this content. The canonical link for it is here.
Posted to dev@pdfbox.apache.org by "Jan Divis (JIRA)" <ji...@apache.org> on 2012/05/04 14:02:48 UTC
[jira] [Updated] (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 ]
Jan Divis updated PDFBOX-1301:
------------------------------
Attachment: 54391-scan.pdf
PDF with scanned text from page 14.
> 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
> Environment: Windows XP, java version "1.6.0_29"
> Reporter: Jan Divis
> Attachments: 54391-scan.pdf
>
>
> 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 is automatically generated by JIRA.
If you think it was sent incorrectly, please contact your JIRA administrators: https://issues.apache.org/jira/secure/ContactAdministrators!default.jspa
For more information on JIRA, see: http://www.atlassian.com/software/jira