我正在写一篇硕士论文 - NLP 系统。我有一个组件 - 提取器。
它正在从 PDF 文件中提取纯文本。有一些 PDF 文件无法正确提取。提取器（PDFBox 库）返回如下字符串：
"┤xDn║if|d├gDF"Ti&cD╬lh d FÁhis~n ╗xd f«"d┤ffih »h"
或
“10a61a91a22a25a3a27a17a23a20a8a13a14a61a25a17”
我正在检查导致此提取问题的每个文件，并且所有这些文件的文本也无法从 PDF 阅读器（Adobe Reader 和 FoxIt 阅读器）复制粘贴。在此阅读器中查看它们已启用，但在选择其内容并复制到剪贴板后，我得到相同的错误文本（如上所述 - 语义不正确的字符字符串或数字和字母字符串）。
谁能帮帮我？？？
【问题讨论】：
通常在这种情况下，您无法从 Acrobat (Reader) 窗口中选择、复制和粘贴文本，但有另一个选项可能仍然有效：
您将拥有文件中所有页面的所有文本，并且需要找到您最初想要复制'n'paste 的位置——因为它不如直接复制'n'paste 舒服。但它的工作更可靠....
它也适用于 Linux 上的 acroread（但您必须从文件菜单中选择 'Save as text...'）。
您可以使用pdffonts 命令行实用程序来快速分析 PDF 使用的字体。
这是一个示例输出，它演示了文本提取问题很可能发生的位置。它使用来自 GitHub-Repository 的这些手动编码的 PDF 文件之一，该文件的创建是为了提供带有注释的 PDF 示例文件，并且可以在文本编辑器中轻松打开：
$ pdffonts 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
如何解读这张表？
BAAAAA+ 和 CAAAAA+ 以及 sub 列中的 yes 条目所示）、Helvetica 和 @ 987654331@.TrueType。WinAnsi 编码（字体编码将PDF 源代码中使用的字符标识符映射到应绘制的字形）。
但是，仅对于字体 /Helvetica，PDF 中有一个/ToUnicode 表可用（对于/Helvetica-Bold，没有），如uni 列中的yes/no 所示）。
/ToUnicode 表需要提供从字符标识符/代码到字符的反向映射。
缺少特定字体的/ToUnicode 表几乎总是可以确定使用该字体的文本字符串无法从 PDF 中提取或复制“n”粘贴。 （即使有一个/ToUnicode 表存在，文本提取仍可能会造成问题，因为该表可能已损坏、不正确或不完整——正如在许多真实世界的 PDF 文件中所看到的那样，并且上面链接的 GitHub 存储库中的一些配套文件也证明了这一点。）
【讨论】：
如果能够在 Adobe Reader 中成功选择并复制文本——表明 PDF 确实包含文本对象——但如果复制的文本看起来像一堆乱码，则无法将复制的文本粘贴到记事本中，那么问题可能与所选文本使用的 CMap 有关。
PDF 规范为textual content and the related extraction of the text content 的显示提供了许多选项。 CMap 指定从字符代码到字符选择器的映射。 PDF 规范概述了一些预定义的 CMap，但也可以嵌入其他 CMap。
我的猜测是此文本的 CMap 已损坏或 PDFBox 库不支持此特定 CMap。我建议尝试使用不同的 SDK，看看是否会得到不同的结果。
【讨论】：
当在 Chrome（内部 PDF 浏览器）中作为 Gmail 附件打开时，复制会复制正常可读的字符！
当我遇到这个问题和for others as well 时，它对我有用。我认为 Chrome PDF 查看器会自动使用the Google Drive OCR...就像魔术一样！
【讨论】：
PDF 是用什么创建的。有些 PDF 不包含任何编码信息，只包含绘制它的数据。所以没有办法提取数据。
【讨论】：
选择您要复制的文本。 右键点击 选择选项“将选择导出为” 在对话框中，选择文件名并将新文件保存为 RTF 格式 (RTF) 打开 RTF 即可查看您的文字！
【讨论】：
处理此问题的最佳方法是（假设您有 Adobe Acrobat 或类似的东西，不确定 Reader 是否可以这样做）将文档另存为 JPEG。然后将所有图片重新编译成一个pdf，然后使用OCR功能在页面中查找文本，然后就可以复制粘贴文本了。
【讨论】：
PDF 不是文本文档。它更像是一种矢量图形格式，有时可以包含文本。因此，除非您愿意进行 OCR，否则有些文档无法从中提取文本。就是这样。
【讨论】：