[
https://issues.apache.org/jira/browse/PDFBOX-1301?page=com.atlassian.jira.plugin.system.issuetabpanels:all-tabpanel
]
John Hewson updated PDFBOX-1301:
--------------------------------
Component/s: Text extraction
> Wrong characters in HTML/TXT file from PDF containing scanned pages/images
> --------------------------------------------------------------------------
>
> Key: PDFBOX-1301
> URL: https://issues.apache.org/jira/browse/PDFBOX-1301
> Project: PDFBox
> Issue Type: Bug
> Components: Text extraction
> Environment: Windows XP, java version "1.6.0_29"
> Reporter: Jan Divis
> Attachments: 54391-scan.pdf, converted-wrong-chars.html,
> correct-chars-when-converted-splitted-page.html
>
>
> When trying to extract text/html from attached PDF file, there are some wrong
> characters (instead of characters with diacritics):
> Pro úþely tohoto Protokolu mohou bêt sdělení ]asílána prostřednictvím
> elektronickêch nebo Makêchkoli Minêch prostředkĤ
> instead of
> Pro účely tohoto Protokolu mohou být sdělení zasílána prostřednictvím
> elektronických nebo jakýchkoli jiných prostředků
> resp.
> Pro úþely tohoto Protokolu mohou bêt sdělení
> ]asílána prostřednictvím elektronickêch nebo
> Makêchkoli Minêch prostředkĤ
> instead of
> Pro účely tohoto Protokolu mohou být sdělení
> zasílána prostřednictvím elektronických nebo
> jakýchkoli jiných prostředků
--
This message was sent by Atlassian JIRA
(v6.1.5#6160)
