Wrong Character - can detect this ?

[davidribatto]

• PHP Version: 8.2
• PDFParser Version: 2.9

Description:

I want to parse some CV, and I have sometimes wrong character.
I would to try to parse correctly the pdf, and if not possible, if I have some wrong characters, return an empty string to $text.

PDF input

curriculum_vitae_Victor-Faria.pdf

Expected output & actual output

The result
����������������������� �� ue Oscar--Bider 104b, 1950 Sion ������������������������������������������������������������������ ������������������ ������������������������������������������������������� �������������������������������������� ��������������������������������� �����;��������������2����������� �����;����������������4������;������������������� �����;��������������2������������������������ ������������������ ���;�����������;�����������������������������������������������������������������; �������� �������;������������������������������������������� ���������������������;���������������������������������� �������������� �������@���������������� �����������������������;�����������������������;�����������;�� �����;�������������������������������������;��������������������� ��������������������� ���������������������� �������� �������������������������������;������ �������;���������������������������;������������������������ �������������������� ����������������������� ����������������������� ����������������������� �������� ����� ��������������������������� �������;������������������������ ���������;��������;����������;�������������������������������;���������� ����������������������������������������� ���������������� ���������� �������� ������������������������������������� �������;�������������������������������������������������� ������������������ �������������������������������������������������������;�����������;�� ����������������������������� �������������������� ��������������������������������������������� ������������������������� ����������������������������������������������� ���������������������������������������� ����������������������������������������������������������� �������������������� ��������������� ������������������������������� �����;��������������������������������������������������������� �������������� ������������������������ ������������������������������������������� ���;������������������������������� �������������������������������� ����������M����������� �������������������������������� ���������������� ���������������������������������� ������������������������� ���������������������; �������������������� ������������������� �������������;������ ���������;������������ ��������������������������;������������������������ ������������������������������������� ���������������������������;���������� ������������ �������������� ���������������� ������������������ �������@���������������������������������������;�����������������������;�����������;�� �����;�������������������������������������;������������������������������������������ ���������������������;�������������������� Cap 3D �������������������� ������ 3

Code

$parser = new \Smalot\PdfParser\Parser();
$pdf = $parser->parseFile($pdf_temp_path);
   if ($pdf) {
	$pages = $pdf->getPages(); 
   }
   if ($pages && !empty($pages)) {	
	try {
 		$text = $pages[0]->getText(); 
	}  catch (Exception $e) {
	        echo 'Erreur lors de la vérification du PDF : ' . $e->getMessage();
	     }
	} else { $text = '';}
	
        $text = str_replace(
			array('\\\\', '\(', '\)', '\n', '\r', '\t', '\f', '\ '),
			array('\\', '(', ')', "\n", "\r", "\t", "\f", ' '),
			$text
	   );
return $text;

Thanks for your help

[GreyWyvern]

Some kind of decoding issue for sure. 2.7.0 has it, as well as 2.9.0.

Maybe another Identity-H problem?

[davidribatto]

Some kind of decoding issue for sure. 2.7.0 has it, as well as 2.9.0.

Maybe another Identity-H problem?

Have you try with the file ? Have you the same result ?

Is there a way to detect if we have some wrong character ? I test with regex but this is not conclusive.