尝试获取字数时此 PDF 有什么问题答案

【问题标题】：What is wrong with this PDF when trying to get a word count尝试获取字数时此 PDF 有什么问题
【发布时间】：2020-08-04 01:33:10
【问题描述】：

我正在尝试编写一个 python 应用程序来计算 PDF 的字数。

我在这个 PDF 中遇到了一些奇怪的问题。

当我从 PDF 中提取文本时，它显示为某种二进制/符号垃圾。

我尝试了 PyPDF2 和 PyMuPDF 库，结果相同。

我怎样才能获得像这样的 PDF 的字数？

【问题讨论】：

【解决方案1】：

该 PDF 缺少文本提取所需的信息。因此，尝试从中提取文本通常会输出垃圾。

该 PDF 中的文本是使用既不公开 ToUnicode 映射也不使用标准化名称编码的字体绘制的。它也不用 ActualText 属性标记内容。此外，字符代码的天真身份映射到例如Latin-1 也不会产生任何可理解的东西。

因此，根据 PDF 规范 ISO 32000（第 1 部分和第 2 部分）中提出的算法的文本提取将为每个字符引导到阶段

如果这些方法无法生成 Unicode 值，则无法确定字符代码代表什么，在这种情况下，符合标准的读者可以选择他们选择的字符代码。

（ISO 32000-1，第 9.10.2 节将字符代码映射到 Unicode 值）

您可以通过应用复制和粘贴来看到 Adobe Acrobat 也不喜欢这样。

不过，在某些此类情况下，深入研究嵌入式字体会发现到 Unicode 的替代映射，并且某些文本提取器确实使用它们。

尽管如此，这种方法在这里也无济于事，该字体是第 3 类字体，即不基于某些普通字体格式（例如 TrueType），而是完全使用 PDF 矢量图形序列定义，无需进一步映射到 Unicode。

因此，如果没有某种程度的 OCR（人工或自动化），就无法从该 PDF 中提取文本。

如果此文档确实是由某个美国部门以当前形式发布的（而不是应用到其原始文档的某些转换工具的输出），您可能需要联系该部门并讨论可访问性和第 508 节等主题。 .

【讨论】：