时间戳

首页 > 解决方案 > PDF复制文本问题：奇怪的字符

pdf - PDF复制文本问题：奇怪的字符

问题描述

我试图从 PDF 文件中复制文本，但得到了一些奇怪的字符。奇怪的是，Okular 可以识别文本，但不能使用 Sumatra PDF 或 Adob​​e，这三个应用程序都安装在 Windows 10 64 位中。为了更好地解释我的问题，这里是视频https://streamable.com/sw1hc。“文本层解决方法文件”是我得到的一种解决方案。任何帮助是极大的赞赏。问候

标签： pdfcopy-paste

解决方案

简而言之：（原始）PDF 不包含 PDF 规范中描述的常规文本提取所需的信息。根据您任务的具体性质，您可能会尝试将所需信息添加到现有文本对象和字体中，或者您可能会选择 OCR。

如 PDF 规范中所述，将字符代码映射到 Unicode

PDF 规范 ISO 32000-1（以及类似的 ISO 32000-2）描述了一种使用 PDF 中直接可用的信息将字符代码映射到 Unicode 值的算法。

它在其他堆栈溢出答案中经常被引用（见这里、这里、这里、这里、这里或这里），所以我不再在这里引用它。

本质上，这是 Adob​​e Acrobat 在复制和粘贴过程中使用的算法，也是许多其他文本提取器使用的算法。

在不包含文本提取所需信息的 PDF 中，您最终会在算法中达到这一点：

如果这些方法无法生成 Unicode 值，则无法确定字符代码代表什么，在这种情况下，符合标准的读者可以选择他们选择的字符代码。

如果上述算法无法生成 Unicode 值会发生什么

这就是文本提取实现不同的地方，它们尝试通过使用启发式或 PDF 之外的信息或将 OCR 应用于相关字形来确定匹配的 Unicode 值。

您尝试的不同程序返回的结果如此不同表明

  1. 您的 PDF 不包含 PDF 规范中上述算法所需的信息，并且

  2. 这些程序使用的启发式方法不同，Okular 的启发式方法最适合您的文档。

在这种情况下该怎么办

有多种选择，或多或少可行，具体取决于您的具体情况：

  1. 向 PDF 的来源询问包含适当信息以进行文本提取的版本。

    除非您与该来源签订了合同，要求他们以机器可读的形式提供 PDF，或者该来源有其他义务这样做，否则他们通常会拒绝，但...

  2. 将 OCR 应用于相关 PDF。

    根据 OCR 软件的质量和 PDF 中的字形，结果的质量可能有问题；例如，在您的“PDF copy text issue-Text layer workaround.pdf”中，标题“Chapter 1: Derivative Securities”已被识别为“Chapter1: Deratve Securites”...

  3. 您可以尝试以交互方式将手动创建的ToUnicode映射添加到 PDF，例如Tilman Hausherr在他对"how to add unicode in truetype0font on pdfbox 2.0.0"的回答中所描述的那样。

    根据您必须为其创建映射的不同字体的数量，这种方法可能很容易需要太多的时间和精力......

推荐阅读