我有一个包含有价值文本信息的 PDF 文件。
问题是我无法提取文本，我得到的只是一堆乱码。如果我将文本从 PDF 阅读器复制并粘贴到文本文件中，也会发生同样的情况。甚至 Acrobat Reader 中的 文件 -> 另存为文本 也会失败。
我已经使用了所有可以使用的工具，结果是一样的。我相信这与字体嵌入有关，但我不知道具体是什么？
我的问题：
【问题讨论】：
标签： pdf file-format text-analysis
某些 PDF 文件在生成时没有特殊信息，这些信息对于从中成功提取文本至关重要。甚至通过 Adobe 工具。基本上，此类文件不包含字形到字符的映射信息。
此类文件可以正常显示和打印（因为字符的形状已正确定义），但无法正确复制/提取其中的文本（因为没有关于使用的字形/形状含义的信息）。
例如，当使用“最小文件大小”预设时，Distiller 会生成此类文件。
恐怕除了 OCR 之外，没有其他方法可以从此类文件中检索文本。我们最近发布了how to OCR PDFs in .NET 的指南。
最初的答案提到了“关于使用的字形/形状含义的信息”。此信息应包含在称为/ToUnicode 表的PDF 结构中。每个作为子集嵌入并使用非标准 (Custom) 编码的字体都需要这样的表。
为了快速评估文本内容的可提取性，您可以使用pdffonts 命令行实用程序。这以表格形式打印有关 PDF 使用的每种字体的一系列项目。 /ToUnicode 表的存在由标题为 uni 的列指示。
几个示例输出：
$ kp@mbp:git.PDF101.angea> pdffonts handcoded/textextract/textextract-good.pdf
name type encoding emb sub uni object ID
------------------------ ----------- ---------- --- --- --- ---------
BAAAAA+Helvetica TrueType WinAnsi yes yes yes 12 0
CAAAAA+Helvetica-Bold TrueType WinAnsi yes yes yes 13 0
$ kp@mbp:git.PDF101.angea> pdffonts handcoded/textextract/textextract-bad1.pdf
name type encoding emb sub uni object ID
------------------------ ----------- ---------- --- --- --- ---------
BAAAAA+Helvetica TrueType WinAnsi yes yes no 12 0
CAAAAA+Helvetica-Bold TrueType WinAnsi yes yes no 13 0
$ kp@mbp:git.PDF101.angea> pdffonts handcoded/textextract/textextract-bad2.pdf
name type encoding emb sub uni object ID
------------------------ ----------- ---------- --- --- --- ---------
BAAAAA+Helvetica TrueType WinAnsi yes yes yes 12 0
CAAAAA+Helvetica-Bold TrueType WinAnsi yes yes no 13 0
good.pdf 可让您正确提取两种字体的文本内容，因为两种字体都有一个随附的 /ToUnicode 表。
对于bad1.pdf 和bad2.pdf，文本提取仅对两种字体之一成功，而对另一种失败，因为只有一种字体具有/ToUnicode 表。
我，Kurt Pfeifle，最近创建了一个 series of hand-coded PDF files 来展示 PDF 源代码中现有的、有问题的、被操纵的或缺失的 /ToUnicode 表的影响。这些 PDF 包含大量注释，适合在文本编辑器的帮助下进行探索。以上pdffonts 输出示例是在这些手动编码文件的帮助下创建的。 （还有一些显示不同结果的 PDF，感兴趣的读者可能想探索一下……）
【讨论】：
我遇到了同样的问题。将其上传到 Google Drive，使用 Google Docs 打开并从那里复制文本对我有用。
【讨论】：
我向很多人寻求帮助，而 OCR 是解决此问题的唯一方法
【讨论】：