[
https://issues.apache.org/jira/browse/PDFBOX-939?page=com.atlassian.jira.plugin.system.issuetabpanels:all-tabpanel
]
Anton updated PDFBOX-939:
--------------------------
Attachment: test.pdf
> Lost whitespaces when extracting Arabic text
> --------------------------------------------
>
> Key: PDFBOX-939
> URL: https://issues.apache.org/jira/browse/PDFBOX-939
> Project: PDFBox
> Issue Type: Bug
> Components: Text extraction
> Affects Versions: 1.4.0
> Reporter: Anton
> Attachments: test.pdf
>
>
> I tried to extract text from an arabic PDF. Result looks good for the first
> look, but if you look closer, you may notice that some of whitespaces is
> missing comparing to copy/pasted text from the same PDF.
> Copy/pasted text from attached PDF:
> بعد ما اكتشف حقيقة المثلث الغامض جوه دوالب جسمه إتأكد بإنه شايل حاجات كتير
> ملهاش الزمه ف استغنى عن كل أعضاؤه الرجلين اإليدين والعنين... رمى جسمه من
> الشباك وضحك من جواه على روحه اللي بتتبخر جوه درج العدم.
> Extracted text:
> )٥(
> بعد ما اكتشف حقيقةالمثلثالغامض
> جوهدولابجسمه
> إتأكد بإنه شايلحاجاتكتير
> ملهاشلازمه
> ف استغنى عنكلأعضاؤه
> الرجلين
> الإيدين
> ...والعنين
> رمى جسمهمنالشباك
> وضحكمنجواه
> على روحهالليبتتبخر
> .جوهدرجالعدم
--
This message is automatically generated by JIRA.
-
You can reply to this email to add a comment to the issue online.
