标签: pdf

有时当我pdftotext这样做时会产生完美的文本。我认为这是因为实际的 unicode 文本数据直接嵌入到 PDF 本身中，并且只需读出即可。

但其他时候（大约一半或更多的文档不只是直接扫描的图像）它会导致〜奇怪的字形〜代替诸如变音符号和重音符号之类的东西，有时甚至是看起来模糊的字母。

例如，这个约鲁巴语词典 PDF就存在这些问题。如果你运行这个：

pdftotext yoruba.pdf yoruba.txt\n

你最终会看到这些词散布在各处：

expected     actual\n--------     ------\nlairot\xe1\xba\xb9le    lairot4ille\nik\xe1\xbb\x8dsil\xe1\xba\xb9      ikljlsil4il\nlog\xc3\xb3         logb\n

请注意，重音符号\xc3\xb3变成了字母b。但并不是每个 \xc3\xb3 都变成了 doc 中的 ab。许多人这样做，但不是全部。与\xe1\xba\xb9a相同4il。许多人都变成这样，可能是所有人。大多数时候（我的感觉是）更晦涩的重音符号/变音符号\xe1\xba\xb9会被转换成陌生的字符或字符序列。

为什么是这样？是 OCR 的东西吗？或者PDF实际上是否嵌入了纯文本（即它不是图像的扫描文档）？然而，它在某种程度上没有被正确解码。我想知道这个问题的答案，所以至少我知道这是 OCR 问题或编码/解码问题。

如果这是一个编码问题，那就很有趣了。那么我的问题是，我可以告诉pdftotext使用一些晦涩的解码技术吗？或者是什么。

我提出这个问题的部分原因是我最近发现了一些网页是用 或 编码的ucs2，latin1有些甚至是用一些奇怪的windows2255或某种编码编码的。因此，我必须修改编码/解码才能正确提取 HTML 文档中的文本。我想知道在这种情况下同样的情况是否也适用于 PDF。

另一个遇到此问题的文档是纳瓦霍词典。我不知道这是 OCR …

如果我想从我的 Office Word 文档 (.docx) 制作 pdf 文件，以下内容有何区别：

1. 文件->另存为->在“保存类型”提示中选择“PDF”
2. 文件->导出->“创建 PDF/XPS 文档”
3. 文件->打印->在打印机提示中选择“Microsoft Printer to PDF”

这是此 Ubuntu 问题的示例副本。

我有许多用密码加密发送给我的 PDF 文件，为了简单起见，所有 PDF 的密码都是相同的。当我将这些文件存储在永久存档中时，我没有理由保留密码，也没有理由在每次打开这些文件时都输入密码。

我可以使用链接的问答来构建基于 Docker 的解决方案，以从 pdf 文件中删除密码，或者我可以在此处询问 Windows 10 是否可以实现同样的操作。

choco如果我需要一些包裹，我可以访问。

我正在使用 MacOS 应用程序“数字色度计”从不同网站获取 RGB 值。现在我想在 Word 文档中使用这些颜色，并将其导出为 PDF。我希望 PDF 文档上的颜色与网站上的颜色完全相同。
问题是，数字色度计应用程序可以显示 5 种不同类型的 RGB 值，但我不明白有什么区别。这些值被命名为“native value”、“sRGB”、“P3”、“Generic RGB”和“Adobe RGB”。有谁知道，我必须使用其中哪一个才能在 Microsoft word 生成的 PDF 文档中实现相同的颜色？

就像许多提供免费/开源版本并销售“商业”版本的软件公司一样，他们使实际下载和使用免费版本变得尽可能神秘和不友好。这是一个典型的例子： https: //mupdf.com/downloads/

有两个适用于 Windows 的不同文件可供下载：

mupdf-1.18.0-windows.zip
mupdf-1.18.0-windows-tesseract.zip

什么是“-tesseract”？不知道。我浏览了该页面、其他页面、在线搜索等等。没有任何线索。没有一个词解释其中的区别或“超正方体”的含义。维基百科的消歧页面也没有暗示它可能指的是什么。

什么是“超立方体”？更重要的是：它与 PDF 查看有什么关系？为什么它是一个单独的文件？

问题是，每当我想打印多页并将其保存为文件中的 pdf 文档（打印到文件选项）时，页面设置选项都会保持灰色。我没有可用的打印机，因此我无法确定问题是否仍然存在。我正在使用全新安装的 Manjaro 20.2。我错过了什么/做错了什么吗？

我正在使用 MS Word，有很多地方我关心文档的最终外观。我不想分割某些部分（例如粘贴的源代码）。我也不想将这些部分变成对象，因为虽然它会使它们保持不分离，但它会经常在它们周围的文档中添加填充空白。Web 布局对于开发来说效果很好，但最终我会将文档导出为 PDF。我希望生成的 PDF 只有一页很长。

如何将 MS Word 文档导出为 PDF，以便生成的文件仅包含一页（合并所有页面的结果，内容之间没有看似随机的页眉和页脚）？

我正在使用KDE Neon，并且我已成功配置 Okular 以将数字签名添加到我的 PDF（使用“工具”>“数字签名”菜单项）。

然而，它看起来像这样丑陋（带有黑色边框和浅灰色填充的矩形）：

（我添加了一些黑色矩形来审查一些敏感信息）

有没有办法定制这种丑陋的数字签名表示？我认为只有“签名者：”行和“日期：”行（均左对齐）就足够了。

我在 Apple Books 中有一本来自 iPad 上本地文件的书 (PDF)。我在 PDF 上做了两个月的笔记。

今天我无法打开它并收到错误：

“无法打开文档。无法打开 ''”

所以我将文件空投到 Mac 上，尝试在 Preview、Adobe 和 Acrobat 中打开它。我在任何地方尝试过该文件，但都无法打开该文件。它可能已损坏或损坏。

我尝试使用Ghostscript( gs)修复它，但没有成功：

gs \
 -o repaired.pdf \
 -sDEVICE=pdfwrite \
 -dPDFSETTINGS=/prepress \
  corrupted.pdf

我收到一个错误：

Catalog dictionary not located in file, unable to proceed


**** Error: Couldn't initialise file.
               Output may be incorrect.



No pages will be processed (FirstPage > LastPage).

The following errors were encountered at least once while processing this file:
    startxref offset invalid
    xref table was repaired

   **** This …

我在 Word 上创建了一个名片设计，卡片的每一面都是一个 85x55 毫米的页面。大多数打印机似乎都希望它是 PDF 文件，这很容易，但他们有时希望每一面都作为不同的文档。

是否可以将一个 word 或 PDF 文件拆分为多个文档，例如在分页符上拆分？我在 Word 2007 中找不到选项，也不知道 Acrobat，但我对此表示怀疑。