pdf文本提取答案

【问题标题】：pdf text extractionpdf文本提取
【发布时间】：2010-05-23 19:49:54
【问题描述】：

3 begincidrange 
<20> <7e> 1 
<8140> <817e> 633 
<8180> <81ac> 696 
endcidrange

这是一个 CMAP 文件示例。

【问题讨论】：

【解决方案1】：

您的 CMap 表建立了所有字符代码到 CID 的映射。

begincidrange 运算符前面出现的数字表示映射的数量线。 endcidrange 运算符终止一个映射块。

begincidrange 和 endcidrange 之间的行包含映射。每行有 3 个条目。前两个指定字符代码范围，第三个是它们映射到的 CID 值。

所以字符代码 0x20 到 0x7e 映射到 CID 1。

Adobe Technote 5099 描述了 CID 表的格式。

【讨论】：

这并不完全正确。 range 部分中的映射实际上指定了连续映射，因此 0x20 到 0x7e 映射到 1 到 95 范围内的多个 CID（因为 0x7e - 0x20 是十进制的 94）。 spec中确实提到了这一点。