无法从pdf复制特殊字符

Question

我只需要复制一些文本,包括pdf文件中的特殊字符,但像破折号( - )这样的特殊字符会被转换为2.

PFA来自以下链接

http://www.fileconvoy.com/dfl.php?id=g6a3426746a10af3b9992384375c5923396bce3660

附件有pdf源文件,我必须复制数据,其他是截图图片.需要紧急帮助.我也尝试使用Google Docs和Adobe Pro从pdf复制数据,但每次都得到类似的结果.

Answer 1

简而言之:

PDF中的所有信息都表明PDF中您看到破折号的字形实际上确实代表了两个字形.因此,要以不同方式解释这些字形,您必须从根本上更改PDF中其字体中该字符的值到unicode映射,或采用光学字符识别.

详细地:

让我们看看PDF pg_0001.pdf的内容流中您标记的单词部分

创建:

0 -1.1065 TD
[(Fibroblast)-241.2(growth)-234.1(factor-21)-237.3(\(FGF-21\))-242.3(activity)-233.9(in)-237(High-fat)-237.9(diet)-234.9(\(HFD\))-238.3(fed)-234(ApoE)]TJ
/F6 1 Tf
6.7246 0 0 5.9768 357.3354 542.4944 Tm
(2)Tj
/F4 1 Tf
.8346 0 TD
(/)Tj
/F6 1 Tf
.3372 0 TD
(2)Tj
/F4 1 Tf
8.9663 0 0 8.9663 372.9826 538.5259 Tm
[(mice)-235.6(with)-233.5(adiponectin)-240.8(\(Acrp30\))-237.6(knockdown.)]TJ

这里的特殊字符确实由字体/ F6中的字符"2"(= 50 = 0x32)表示.

由于此处字符串中的字符到实际打印的字形的映射可能非常随意,并且可能存在正确解释的提示,但是,我们应该在该页面上查看该字体/ F6的定义:

<<
  /FirstChar 44
  /ToUnicode 21 0 R
  /Encoding 22 0 R
  /FontDescriptor 23 0 R
  /BaseFont /KAHBDA+AdvP7DA6
  /Subtype /Type1
  /LastChar 50
  /Type /Font
  /Widths [833 0 0 0 0 0 833]
>> 

因此,您的字体通过/ ToUnicode映射得到增强,文本提取程序应使用该映射来解释内容流中的字符.我们来看看这个映射:

/CIDInit /ProcSet findresource begin 12 dict begin begincmap /CIDSystemInfo <<
/Registry (F6+0) /Ordering (T1UV) /Supplement 0 >> def
/CMapName /F6+0 def
/CMapType 2 def
1 begincodespacerange <2c> <32> endcodespacerange
2 beginbfchar
<2c> <002C>
<32> <0032>
endbfchar
endcmap CMapName currentdict /CMap defineresource pop end end

因此,这里的'2'= 0x32被映射到<0032>,表示再次为'2'的Unicode代码0x0032.

如果/ ToUnicode映射不存在,则文本提取程序可以使用PDF对象22中的/ Encoding定义.但是这里再次:

22 0 obj 
<<
  /Type /Encoding
  /Differences [44 /comma 50 /two]
>> 

这里'2'= 50被映射到名为/ two的字形,这再次使该字形为2.

因此,PDF中缺少字形图定义本身的所有信息(理论上可以通过OCR检查)表明破折号字形确实是两个.

要使文本提取程序更符合您的喜好,您应该将<32> 的/ ToUnicode映射替换为例如<002D>.不幸的是,映射是编码的(使用filter / FlateDecode),因此这不是简单的十六进制编辑器工作,而是需要解码等...