| 記事No | ： 793 |
| タイトル | ： Re^2: xdoc2txtのCOM.DLL版での文字化け |
| 投稿日 | ： 2015/04/25(Sat) 20:30:18 |
| 投稿者 | ： スコミール |
VBScriptで、
xdoc2txt.exeコマンドライン版でUTF-8で抽出したテキストを、
バイナリで読み込んで
ADODB.Streamを使って、変換しても同様の文字化けが起こりました。
その文字化けをする文字が、"年月日"の"日"の文字なのですが、
文字化けする箇所としない箇所があり、よく調べてみると、
文字化けする"日"の文字コードは、U+2F47、バイナリだと"e2 bd 87"(http://www.charbase.com/2f47-unicode-kangxi-radical-sun)
が使われており、
文字化けしない"日"の文字コードは、U+65E5、バイナリだと"e6 97 a5"(http://www.charbase.com/65e5-unicode-cjk-unified-ideograph)
が使われていました。
大抵は日本語のPDFは後者を使用しているようなので、文字化けしないのですが、
希に、中国語？の"日"を使っている方は文字化けしてしまっておりました。
どうもVB(Unicode)では、扱えないのか、文字化けするようです。
この場合だと、読み込み前のバイナリの段階で"e2 bd 87"→"e6 97 a5"に
置換すると直りました。
こういった対処法しかないでしょうか？