Ghostscript pdf到txt提取答案

【问题标题】：Ghostscript pdf to txt extractionGhostscript pdf到txt提取
【发布时间】：2016-01-22 00:49:12
【问题描述】：

我在 windows 上使用 Ghostscript 9.18，并尝试使用 -sDEVICE=txtwrite 从 pdf 文件中提取文本我的命令如下所示：

gswin32c -dBATCH -dNOPAUSE -sDEVICE=txtwrite -dFirstPage=1 -dLastPage=1 -sOutputFile=test.txt test.pdf -c quit

但我总是得到“找不到“ArialBlack”的 CID 我试图通过写入字体映射文件来提供 cid：

/Arial << /FileType /TrueType /Path (c:\windows\fonts\arial.ttf) /SubfontID 0 /CSI [(Identity) 0] >> ;
/ArialBlack << /FileType /TrueType /Path (c:\windows\fonts\arial.ttf) /SubfontID 0 /CSI [(Identity) 0] >> ;

但它似乎没有看到条目，仍然要求 cids。我知道几个版本之前，字体映射只是一个文件，但开发人员将它移到了库中。当我使用 -sDEVICE=png16m 时，它可以正常读取 pdf，并打印具有良好字符的 bmp。

也许有人知道答案？

【问题讨论】：

这是有道理的，因为带有 TTF 数据的 OpenType，名为 .ttf，没有有 CID（只有过时的 Type1 和带有 CFF 数据的现代 OpenType 字体，可以使用 CID）所以这并不奇怪。您在问题中给出的错误消息的快速谷歌给了我experts-exchange.com/OS/Linux/Distributions/Q_26364031.html，它说您需要安装corefonts.sourceforge.net - 您是否先搜索了网络？ make it unnecessary 的点击次数足以在这里提出这个问题。
这并不完全正确。类型 1 字体和 CFF（类型 2 字体）都不使用 CID，它们使用字符代码。 CID 仅与 CIDFonts 相关。 CIDFonts 可能有 type 1 或 CFF bsae 字体，但它们也可能有 type 42 基本字体，本质上是 TrueType 轮廓。所以带有 TTF 轮廓的 CIDFont 仍然可以使用 CID。

标签： pdf fonts ghostscript text-extraction

【解决方案1】：

一段时间以来，Ghostscript 的 Windows 版本默认将支持文件包含在 ROM 文件系统中，即作为二进制可执行文件的一部分。

如果您需要在磁盘外部添加支持文件（即您想修改它们），您可以从我们的 Git 存储库获取支持文件。

字体映射和 CIDFmap 文件可以使用 -I（包含路径）开关来包含。

请注意，CID 与 CIDFont 不同。 CIDFOnt 使用 CID，它不是“CID”，术语在这里很重要。在我看来，Ghostscript 可能会告诉您它找不到 CIDFont，而不是 CID。

听起来您的 PDF 文件使用了 CIDFont 但没有嵌入它，这是一种非常糟糕的做法，可能会导致呈现问题。在 txtwrite 的情况下，它很可能也无法有效地提取文本。

【讨论】：

你是完全正确的，这就是我试图包含并解析它的原因。我试试，谢谢。