可搜索PDF中非拉丁文字的乱码问题

Updated: 2026年7月3日

使用IronOCR识别文档，将其保存为可搜索的PDF时，识别的文本在屏幕上看起来正确，但在复制或提取时可能会变为乱码。这发生在PDF的字体中没有您识别脚本的字形时，通常发生在非拉丁和复杂脚本上。解决方法是使用支持您的脚本的字体保存PDF；下面的例子使用了古吉拉特文。

识别的文本没有匹配的字符映射，所以即使OCR正确读取了页面，复制的文本仍然是乱码。仅限拉丁文字的字体无法解决此问题：您提供的字体必须覆盖您实际识别的脚本。

前提条件

请注意: 需IronOCR版本2026.3.3或更高。

找到一个包含您目标脚本字形的字体，放置在计算机上，并记录其完整路径。对于古吉拉特文的例子：

C:\Path\To\AnekGujarati-VariableFont_wdth,wght.ttf

C:\Path\To\AnekGujarati-VariableFont_wdth,wght.ttf

Text

AnekGujarati变量字体的文件名中包含逗号，所以要准确复制。路径必须指向确切的字体文件。

在保存可搜索PDF时，将您的脚本支持字体的路径作为CustomFontFile（第3个）参数提供。第4个参数是可选的CustomFontName标签；如果省略它，IronOCR将使用字体文件的名称：

ocrResult.SaveAsSearchablePdf(
    strOutputFile,
    false,
    @"C:\Path\To\AnekGujarati-VariableFont_wdth,wght.ttf",
    "AnekGujarati");

ocrResult.SaveAsSearchablePdf(
    strOutputFile,
    false,
    @"C:\Path\To\AnekGujarati-VariableFont_wdth,wght.ttf",
    "AnekGujarati");

解决乱码提取的参数是第3个参数：字体文件，必须包含您OCR的脚本字形。第4个参数仅仅是嵌入字体的名称，不影响脚本映射。针对不同的文档，将第3个参数指向支持该脚本的字体。

打开生成的PDF并复制识别的文本以验证现在可以正确提取。如果仍然显示乱码，几乎可以肯定提供的字体缺少您脚本的字形；重新检查字体是否确实覆盖了它。

**不限于古吉拉特文：**任何非拉丁或复杂的脚本在PDF字体不覆盖时都可能显示乱码的复制文本，包括天城文（印地语、马拉地语）、阿拉伯语、泰语以及中文、日文或韩文文本。
**每种脚本一个字体：**提供包含您识别脚本的字体。来自Google的Noto字体家族是一个广泛的选项，拥有每种脚本的字体，如Noto Sans Gujarati、Noto Sans Devanagari和Noto Sans Arabic。