文本搜索 PDF答案

【问题标题】：Text searching PDF文本搜索 PDF
【发布时间】：2011-05-15 07:28:08
【问题描述】：

在解析 PDF 时，给定一个带有 Identity-H 编码的字符串（从 Tj 或 TJ 运算符回调中弹出），如何将该字符串映射到 unicode（比如 UTF8）表示？

如果我需要一个 CMap，我该如何创建（或检索）和应用 CMap？

【问题讨论】：

标签： ios pdf

【解决方案1】：

您可能必须自己解析字体数据。 Identity-H 仅表示“将字节用作给定字体的原始字形索引”。这就是为什么在使用 Identity-H 时必须嵌入字体...同一字体的不同版本不必具有相同的字形顺序。

在几个不同的开源项目中有关于如何做这类事情的示例代码。例如 iText（是的，我有偏见）。

你提到了一个 CMap。 Identity-H 字体可以有一个 CMap，但不是必须的。 /ToUnicode 条目将是一个 CMap 流，如某些 adobe 规范中所定义的那样。它们并不那么复杂：

/CIDInit /ProcSet findresource begin  
12 dict begin  
begincmap  
/CIDSystemInfo  
<< /Registry (TTX+0)  
/Ordering (T42UV)  
/Supplement 0  
>> def  
/CMapName /TTX+0 def  
/CMapType 2 def
1 begincodespacerange  
<0000><FFFF>  
endcodespacerange  
80 beginbfrange  
<0003><0003><0020>  
<0024><0024><0041>  
<0025><0025><0042>  
<0026><0026><0043>  
<0027><0027><0044>  
<0028><0028><0045>  
<0029><0029><0046>  
<002a><002a><0047>  
<002b><002b><0048>
<002c><002c><0049>
<002d><002d><004a>
<002e><002e><004b>
<002f><002f><004c>
<0030><0030><004d>
<0031><0031><004e>
<0032><0032><004f>
<0033><0033><0050>
<0034><0034><0051>
<0035><0035><0052>
<0036><0036><0053>
<0037><0037><0054>
<0038><0038><0055>
<0039><0039><0056>
<003a><003a><0057>
<003b><003b><0058>
<003c><003c><0059>
<003d><003d><005a>
<0065><0065><00c9>
<00c8><00c8><00c1>
<00cb><00cb><00cd>
<00cf><00cf><00d3>
<00d2><00d2><00da>
<00e2><00e2><0160>
<00e4><00e4><017d>
<00e9><00e9><00dd>
<00fd><00fd><010c>
<0104><0104><0104>
<0106><0106><010e>
<0109><0109><0118>
<010b><010b><011a>
<0115><0115><0147>
<011b><011b><0158>
<0121><0121><0164>
<0123><0123><016e>
<01a0><01a0><0116>
<01b2><01b2><012e>
<01cb><01cb><016a>
<01cf><01cf><0172>
<022c><022c><0401>
<023b><023b><0411>
<023c><023c><0412>
<023d><023d><0413>
<023e><023e><0414>
<023f><023f><0415>
<0240><0240><0416>
<0241><0241><0417>
<0242><0242><0418>
<0243><0243><0419>
<0244><0244><041a>
<0245><0245><041b>
<0246><0246><041c>
<0247><0247><041d>
<0248><0248><041e>
<0249><0249><041f>
<024a><024a><0420>
<024b><024b><0421>
<024c><024c><0422>
<024d><024d><0423>
<024e><024e><0424>
<024f><024f><0425>
<0250><0250><0426>
<0251><0251><0427>
<0252><0252><0428>
<0253><0253><0429>
<0254><0254><042a>
<0255><0255><042b>
<0256><0256><042c>
<0257><0257><042d>
<0258><0258><042e>
<0259><0259><042f>
endbfrange
endcmap
CMapName currentdict /CMap defineresource pop
end end

哇。那个特定的 CMap 效率极低。 “bfrange”从参数 1 开始，进入并包含参数 2，映射从参数 3 开始的值（一直持续到没有要映射的内容为止。

例如：

<0003><0003><0020>
<0024><0024><0041>
<0025><0025><0042>
<0026><0026><0043>
<0027><0027><0044>
<0028><0028><0045>
<0029><0029><0046>
<002a><002a><0047>
<002b><002b><0048>
<002c><002c><0049>
<002d><002d><004a>
<002e><002e><004b>
<002f><002f><004c>
<0030><0030><004d>
<0031><0031><004e>
<0032><0032><004f>

可以表示为

<0003><0003><0020>
<0024><0032><0041>

A quick google search turned up the CMap/CID font spec.

还有 beginbfchar/endbfchar 只接受两个参数（src 和 dest 值，无范围），基于 CID 的版本（此时您需要访问 Adobe 的字符 ID 表。它们是一部分Acrobat/Reader 的安装，但需要促使 Reader 下载各种语言包（或工具包或其他名称），以及您真正需要阅读该规范以了解的各种其他内容。

【讨论】：

在我的例子中，当当前字体具有编码“Identity-H”时，嵌入字体有一个 FontDescriptor，其流包含带有键“Filter”和值“FlateDecode”的字典。这是否意味着我只需要使用 zLib 解压缩（例如）Tj 中的文本来获取 unicode 字符串？（当然不是……）
正确。字体文件（或其中的一部分）是用 zLib 压缩的。您需要解压缩它并阅读字体的字形->字符表[s] 以找出 Tj 中的哪些字符是什么意思。只是为了好玩，字体子集不需要包含该信息......此时它是“OCR 或半身像”。
非常感谢您的回复和耐心，这对我帮助很大。从 PDF 指南中我不清楚的一件事是如何使用 CMap 文件。 [我现在正在查看“Adobe-Japan1-UCS2”。] 鉴于此，我是否在这里自己创建一个 hashmap 和扫描仪，或者是否有 C-convenience 方法将采用一串字符代码和 CMap 文件的内容作为输入并返回一个字符串？我不知道这里的标准做法是什么。

【解决方案2】：

可以通过多种方式对这些数据进行编码（一些使用 CMAP）。您还可以使用自定义编码 (http://www.jpedal.org/PDFblog/2011/04/understanding-the-pdf-file-format-%E2%80%93-custom-font-encodings/)。您还需要了解 CID 字体（http://www.jpedal.org/PDFblog/2011/03/understanding-the-pdf-file-format-%E2%80%93-what-are-cid-fonts/）

【讨论】：

非常感谢您的回复。我有 PDF 的官方指南，我已经阅读了一些，详细阅读的决定正在等待中。我正在浏览您的链接 - 谢谢这些。