[jira] [Commented] (PDFBOX-2747) pdfbox: garbled japanese txt output

["Tilman Hausherr (JIRA)" <ji...@apache.org>]

    [ https://issues.apache.org/jira/browse/PDFBOX-2747?page=com.atlassian.jira.plugin.system.issuetabpanels:comment-tabpanel&focusedCommentId=14396213#comment-14396213 ] 

Tilman Hausherr commented on PDFBOX-2747:
-----------------------------------------

Here's what I get with extractText in 2.0:

【表紙】
【提出書類】 有価証券報告書
【根拠条文】 金融商品取引法第24条第１項
【提出先】 近畿財務局長
【提出日】 平成22年６月28日
【事業年度】 第27期（自　平成21年４月１日　至　平成22年３月31日）
【会社名】 株式会社カネミツ
【英訳名】 KANEMITSU CORPORATION
【代表者の役職氏名】 代表取締役社長　　金光　俊明
【本店の所在の場所】 兵庫県明石市大蔵本町20番26号
【電話番号】 078-911-6645
【事務連絡者氏名】 取締役業務本部本部長　　金光　秀治
【最寄りの連絡場所】 兵庫県明石市大蔵本町20番26号
【電話番号】 078-911-6645
【事務連絡者氏名】 取締役業務本部本部長　　金光　秀治
【縦覧に供する場所】 株式会社大阪証券取引所
（大阪市中央区北浜一丁目８番16号）
EDINET提出書類
株式会社カネミツ(E02248)
有価証券報告書
 1/93

> pdfbox: garbled japanese txt output
> -----------------------------------
>
>                 Key: PDFBOX-2747
>                 URL: https://issues.apache.org/jira/browse/PDFBOX-2747
>             Project: PDFBox
>          Issue Type: Bug
>          Components: Text extraction
>    Affects Versions: 1.8.6
>         Environment: mac osx 10.9.5
>            Reporter: shinpei wada
>             Fix For: 2.0.0
>
>
>  I am trying to convert this pdf into txt. 
> http://www.kabupro.jp/edp/20130829/S000EDM7.pdf
> The original pdf has the following text;
> 【提出書類】有価証券報告書
> 【根拠条文】金融商品取引法第24条第１項
> 【提出先】近畿財務局長
> 【提出日】平成22年６月28日
> 【事業年度】第27期（自　平成21年４月１日　至　平成22年３月31日）
> 【会社名】株式会社カネミツ
> 【英訳名】KANEMITSU CORPORATION
> But converting it to text i get garbled output as per the below;
>     ?????? ???????
>     ?????? ????????24????
>     ????? ??????
>     ????? ??22???28?
>     ?????? ?27??????21??????????22???31??
>     ????? ????????
>     ????? KANEMITSU CORPORATION
> What is interesting is that pdfbox returns the half-width alphanumeric numbers ("24", "22", "KANEMITSU"), but when i tru to use iText the output returns the Japanese characters, but not the alphanumeric characters that appear here.
> The closest issue i could find was in here;
> https://issues.apache.org/jira/browse/PDFBOX-1895
> I did have similar issues with other pdf's when using pdfbox version 1.8.5, although this was resolved in 1.8.6 following this bug fix. 
> The issue presented here seems unrelated though



--
This message was sent by Atlassian JIRA
(v6.3.4#6332)

---------------------------------------------------------------------
To unsubscribe, e-mail: dev-unsubscribe@pdfbox.apache.org
For additional commands, e-mail: dev-help@pdfbox.apache.org