PoDoFo抛光字符& PdfContentsTokenizer错误

Question

1.

如何从文件中获取抛光字符？我能不能告诉你

PdfVariant::getString()

它会处理波兰文字吗？因为我得到的是\200而不是ł，有趣的是只有当ł作为第一个“非基本”字符出现时。因此，如果pdf文件以aaaałęąaaaa开头，则ł被编码为\200，ę类\201和ą类\202 ，而如果pdf文件以aaaaąęłaaaa开头，ł编码为\202，ę类似\201和ą类似\200如何在任何系统中获得这些字符？

2.

当我试图从pdf文件中提取文本时，我会这样做：

string input_name = "example.pdf";
PdfMemDocument pdf(input_name.c_str());
    for (int pn = 0; pn < pdf.GetPageCount(); ++pn) {
        PdfPage* page = pdf.GetPage(pn); 
        PdfContentsTokenizer tok(page);
        const char* token = nullptr;
        PdfVariant var;
        EPdfContentsType type;
        while (tok.ReadNext(type, token, var)) {
           //etc.

但是我对PdfContentsTokenizer tok(page);有问题，它不能正常工作。对于一些pdf文件，它运行平稳，而对于另一个文件，它在inffas32.asm文件中抛出inffas32.asm错误，669行：

L_get_length_code_mmx:
pand mm4,mm0
movd eax,mm4
movq mm4,mm3
mov  eax, [ebx+eax*4]//this is the error line

顺便说一下，我注意到不是每个pdf文件都是以相同的方式编码的。例如，使用podofobrowser，我无法从官方的podofo helloworld示例中看到Hello World!文本。对于其他pdf文件，podofobrowser以不同的方式显示文本，或者根本没有显示它。

Answer 1

ad1. 指向修补程序文件的链接，它允许使用TextExtractor。对pdf中的文本进行外部修饰。

在从pdf中提取非unicode文本时，这是最重要的一行：

PdfString unicode = pCurFont->GetEncoding()->ConvertToUnicode( rString, pCurFont );

ad2.问题在于构建错误的zlib库。我斥责它，重建了波多佛，问题就消失了。