使用 PDFTextStream 从 PDF 文件中提取僧伽罗语字符

Question

我正在尝试获取僧伽罗语 pdf 的内容（例如：http://archives.dailynews.lk/2001/pix/GazetteS14-01-03.pdf）。

我将pdf保存在计算机中并使用了以下代码。

import java.io.IOException;

import com.snowtide.pdf.OutputTarget;
import com.snowtide.pdf.PDFTextStream;

public class ExtractTextAllPages {
    public static void main (String[] args) throws IOException {
        String pdfFilePath = "/home/chamila/semester7/fyp/gazette/GazetteS14-01-03.pdf";
        PDFTextStream pdfts = new PDFTextStream(pdfFilePath); 
        StringBuilder text = new StringBuilder(1024);
        pdfts.pipe(new OutputTarget(text));
        pdfts.close();
        System.out.printf("The text extracted from %s is:", pdfFilePath);
        System.out.println(text);
    }
}

但我得到的输出类似于以下内容。

Y%S ,xld m%cd;dka;%sl iudcjd§ ckrcfha .eiÜ m;%h                 1
wxl 1"844 – 2014 ckjdß ui 03 jeks isl=rdod – 2014'01'03

^rcfha n,hmsg m%isoaO lrk ,§'&

I jeks fldgi : ^IIw& jeks fPoh - m<lsÍï
;k;=re - wenE3;=

                 Y%S ,xld fmd,sia fomd3;fïka;=j
.............................

这是什么原因？如何获取 pdf 中的确切内容？

Answer 1

根据 Snowtide 文档 (http://downloads.snowtide.com/javadoc/PDFTextStream/2.3.2/index.html?pdfts/examples/XMLFormExport.html)，PDFTextStream 支持所有单字节和双字节 Unicode 字符集。

据我所知，大多数僧伽罗语字符都是三个字节。这将是问题

Answer 2

这是什么原因

有问题的文档根本不包含正确提取文本的信息。更糟糕的是，它包含误导性信息。

例如

标题

使用这些运算符生成：

BT
/TT4 1 Tf
19.2 0 0 32 184.205 938.105 Tm
-0.0006 Tc
0.1376 Tw
(Y%S ,xld m%cd;dka;%sl iudcjd§ ckrcfha .eiÜ m;%h) Tj
ET

（即使用字体TT4，序列Y%S ,xld m%cd;dka;%sl iudcjd§ ckrcfha .eiÜ m;%h使用特定字符和单词间距以某种大小绘制在某个位置。）

字体 TT4 现在声称是：

/Subtype/TrueType
/FontDescriptor 66 0 R
/LastChar 255
/Widths[...]
/BaseFont/CKAKNH+FMAbabldBold
/FirstChar 32
/Encoding/WinAnsiEncoding
/Type/Font

即使用 WinAnsiEncoding 的 TrueType 字体，没有 ToUnicode 映射。

因此，文本提取器被认为作为标题绘制的序列Y%S ,xld m%cd;dka;%sl iudcjd§ ckrcfha .eiÜ m;%h 代表字符“Y%S ,xld m%cd;dka;%sl iudcjd§ ckrcfha .eiÜ m; %h"，因此 PDFTextStream 会返回该字符串。

显示的字形显示不同字符的事实是由于嵌入的字体文件具有图形绘制指令，这些字形看起来完全不同于 "Y%S ,xld m%cd;dka;%sl iudcjd§ ckrcfha .eiÜ m ;%h"。

我怎样才能得到 pdf 中的确切内容？

使用 OCR。