清理 pdftotext 字体问题

Question

我用来pdftotext制作 PDF 文档的 ASCII 版本（用 LaTeX 制作），因为协作者更喜欢 MS Word 中的简单文档。

\n\n

我看到的纯文本版本看起来不错，但经过​​仔细检查，f 字符似乎经常被错误转换，具体取决于后面的字符。例如，fi 和 fl 通常似乎成为一个特殊字符，我将尝试将其粘贴到此处：\xef\xac\x81 和 \xef\xac\x82。

\n\n

清理 pdftotext 输出的最佳方法是什么？我认为sed可能是正确的工具，但我不确定如何检测这些特殊字符。

\n

Answer 1

默认情况下，pdftotext输出 unicode (UTF-8) 数据。如果您的终端或文本编辑器不支持 UTF-8，如您所注意到的，诸如“fi”和“fl”（可以在 unicode 中表示为单个字符）之类的连字将会出现奇怪的情况。

简单的修复方法是告诉pdftotext输出 ASCII 而不是 unicode：

pdftotext -enc ASCII7 input.pdf output.txt

这应该会产生干净的 ASCII 输出，从而无需事后手动清理它。