从 PDF 中提取文本时出现异常字体答案

【问题标题】：Unusual font when extracting text from PDF从 PDF 中提取文本时出现异常字体
【发布时间】：2020-10-27 05:34:23
【问题描述】：

我一直在尝试从 PDF 文件中提取文本，并且大多数文件似乎都可以正常工作。但是，一个特定的文档中的文本采用了这种不寻常的字体：in solid

我曾尝试使用 PHP 和 Python 进行提取，但两者都无法修复此字体。我尝试复制文本并尝试查看是否可以在文本编辑工具中修复它，但无法做太多。请注意，原始 PDF 文档看起来不错，但是当文本在文本编辑工具中复制和粘贴时，两者之间的差距字符开始出现。我完全不知道该怎么做。请提出一个解决方案来解决这个问题在 PHP/Python（最好是 PHP）中。

【问题讨论】：

它不是一种不寻常的字体，而是一种名为 Fullwidth Latin 的不寻常的 unicode 块。来自维基百科的一般信息en.wikipedia.org/wiki/…。您可以使用unicodedata 模块获取更多信息。例如，unicodedata.name("ｉ")

标签： python php pdf fonts character-encoding

【解决方案1】：

在 unicode 之前，某些字符编码允许您将日文/韩文/中文字符组合为两个半角字符或一个全角字符。在这种情况下，拉丁字符可以是全宽的，以便与其他字符均匀混合。你手上有全角拉丁字符，这就是奇怪的空格的原因。

您可以normalize 使用 NFKD 兼容性分解的字符串来获取常规拉丁语。这也会改变任何半角/全角日文/韩文/中文字符，嗯......我不确定，但我认为是由多代码点字符构建的字符。

>>> import unicodedata
>>> t="ｉｎ ｓｏｌｉｄ"
>>> unicodedata.normalize("NFKC", t)
'in solid'

【讨论】：

谢谢，这对我很有效！接受你的回答，其实是全角字符造成的。