阿拉伯语在0x6xx范围内具有逻辑文本表示，在另外两个范围内具有视觉表示：fb50-fdff阿拉伯语表示形式-a fe70-feff阿拉伯语表示形式-b
必须使用表示范围，因为对于每个字符，根据单词的位置，您可能有四种表示形式：初始、中间、结尾和孤立。其他的连字也是可能的。
抛开使用强大的旧itext版本不谈，如果字符不在字体中，就无法表示。如果字体缺少字符或可能使用其他字符，word将使用其他字体。试着用arial来确保连字是正确的。

我们最近遇到了同样的情况，我们正在介绍我们为解决这些问题所做的工作：
在我们的案例中，文档是用ms word用阿拉伯语编写的。当您选择单个字符并按alt+x时，在ms word中-您可以看到该字符的unicode。unicode位于正常的unicode范围（0600-06ff，255个字符）。
当使用ms word中的“另存为pdf”或使用“adobe acrobat professional”将上述文档转换为pdf时，正常的阿拉伯unicode被阿拉伯表示形式a[611个字符，取决于字符是独立的还是单词的开头、中间或结尾]和b[143个字符]相关的字形所取代。
根据adobe某人的博客-“pdf将页面的文本内容指定为字形而不是字符”-链接：http://blogs.adobe.com/insidepdf/2008/07/text_content_in_pdf_files.html
尽管互联网上的每一个地方都写着“不建议不要使用表示格式”，但转换成pdf导致了从普通unicode阿拉伯字符集到表示形式a&b字符集的变化。
当我们使用pdfbox提取文本时，我们收到了呈现形式a和b系列unicode中的字符。有趣的是，由于我们不能阅读阿拉伯语，当我们在google translate中复制和粘贴文本时，我们收到了相同的输出，但是当我们通过计算diff来计算差异时，我们收到的结果是两个字符串之间没有共同点[直到那时——我们还不知道正常的unicode阿拉伯语，阿拉伯语的一种表示形式——它也是unicode的一部分等等】
我们有从pdf中提取原始字符集的业务需求。这是一个挑战性的表现形式a和b有大约4种形式-为每个字符[取决于其在word中的位置]。
我们积极地在互联网上寻找——如果有任何图书馆的话——这可以建立两者之间的关系。
谢天谢地-unicode有替换字符集-它定义了我们如何从表示形式a&b字符[character fall back substitutions]-集移回到普通unicode字符集。
http://www.unicode.org/cldr/charts/29/supplemental/character_fallback_substitutions.html
通过使用上述数据源，我们能够将阿拉伯语表示形式a unicode集的591/611个字符和阿拉伯语表示形式b unicode字符集的139/143个字符定义为正常的阿拉伯语字符集。
adobe-也有adobe glyph列表规范-[github上提供]-它也定义了glyph和unicode之间的关系-但是对于阿拉伯语来说是不完整的，因为它定义了257个字符-这些字符主要以阿拉伯语表示形式出现。
此外，在我们的案例中，没有丢失字符。这些字符只是从我们的标准阿拉伯文unicode翻译成表示形式。
在我们最初的ms word文档中，有一些表格，里面有内容。在阿拉伯语翻译版中，我们收到了fffd unicode字符[问号，表示在unicode中发生更改时，有些字符无法翻译。]如果删除所有此类fffd字符，则剩余的文本-虽然转换为unicode集合的表示形式-与原始文本具有相同的含义。
我们确实花了大量时间来解决unicodes转换为pdf时的更改问题，希望我们的经验也能对其他人有所帮助。