PDF 复制文本问题：奇怪的字符

Question

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，所有三个应用程序都安装在 Windows 10 64 位。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

Answer 1

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。根据您的任务的确切性质，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。

将字符代码映射到 Unicode，如 PDF 规范中所述

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（参见这里、这里、这里、这里、这里或这里），所以我不会在这里再次引用它。

本质上，这是 Adob​​e Acrobat 在复制和粘贴过程中以及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，符合要求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

这是文本提取实现的不同之处，它们尝试通过使用启发式方法或来自 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了如此不同的结果表明

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有所不同，而 Okular 的启发式方法最适合您的文档。

遇到这种情况怎么办

有多种选择，根据您的具体情况或多或少可行：

1. 向 PDF 的来源询问包含用于文本提取的正确信息的版本。

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

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，如Tilman Hausherr在他对“如何在 pdfbox 2.0.0 上的 truetype0font 中添加 unicode”的回答中所述。

   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......