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.
