无法从pdf复制特殊字符答案

【问题标题】：Not able to copy special character from pdf无法从pdf复制特殊字符
【发布时间】：2013-02-22 06:19:09
【问题描述】：

我只需要从 pdf 文件中复制一些包含特殊字符的文本，但是像 dash(-) 这样的特殊字符会被转换为 2。

来自以下链接的 PFA

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

附件有 pdf 源文件，我必须从中复制数据，其他是截图图像.. 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。

【问题讨论】：

标签： pdf ubuntu text copy

【解决方案1】：

简而言之：

PDF 中的所有信息都表明，您在 PDF 中以破折号形式看到的字形实际上代表了一个两个。因此，要以不同方式解释这些字形，您必须从根本上更改 PDF 字体中该字符的值到 Unicode 映射，或者求助于光学字符识别。

详细说明：

让我们查看您的 PDF pg_0001.pdf 内容流中您标记的单词的那部分

被创建：

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

您的特殊字符确实每个都由字体 /F6 中的字符“2”（= 50 = 0x32）表示。

由于此处从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，但我们应该查看该字体的定义/F6在该页面上：

<<
  /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。让我们看看那个映射：

/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 映射到代表 Unicode 代码 0x0032 再次是 '2'。

如果 /ToUnicode 映射不存在，文本提取程序可能会使用 PDF 对象 22 0 中的 /Encoding 定义。但这里又是：

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

这里的 '2' = 50 映射到名为 /two 的字形，这再次使该字形成为 two。

因此，PDF 中除字形绘图定义本身之外的所有信息（理论上可以通过 OCR'ing 进行检查）表明破折号字形确实是一个两个。

要使文本提取程序更符合您的喜好解释该字形，您应该将的 /ToUnicode 映射替换为例如。不幸的是，映射是编码的（使用过滤器/FlateDecode），因此这不是一个简单的十六进制编辑器工作，而是需要解码等......

【讨论】：