- xml - AJAX/Jquery XML 解析
- 具有多重继承的 XML 模式
- .net - 枚举序列化 Json 与 XML
- XML 简单类型、简单内容、复杂类型、复杂内容
我通常使用此代码从 PDF 中提取文本:
require 'rubygems'
require 'pdf/reader'
filename = File.expand_path(File.dirname(__FILE__)) + "/myfile.pdf"
PDF::Reader.open(filename) do |reader|
reader.pages.each do |page|
puts page.text
end
end
这次我想解析一个阿拉伯语 PDF,但是,使用这段代码,我得到了一堆奇怪的字符。例如:±πNuô ≠ö ¥πbÈÊ ´Lö È«_°u«» ±GKIW √±U±Nr ÈîUÅW √Ê ´bœ È≠w «∞LπLuŸ, ¥L
我已经读到coding: utf-8
适合阿拉伯语,那么,有什么解决办法吗?
最佳答案
此 PDF 中的文本未正确编码:屏幕上显示的内容与其代表的字符代码之间的关系未存储在此 PDF 中。这就是您获得“随机”文本的原因。
同样值得注意的是:文本出现的顺序是正确的,但那是因为字体字符是绘制镜像的,而且文本本身也是镜像绘制的:
-- 使用 Quark XPress 正确排版阿拉伯语的典型 hack-ish 解决方法(曾经有一个 XTension (sp.?)“启用”这个)。
因为看起来这个错误的编码实际上是在字体内部定义的(“字体使用内置编码”,根据 Acrobat Pro 的“ list ”功能),您也许可以找到您所使用的字符之间的转换表正在阅读以及它们实际上应该是什么。请注意,对于本文档中的每种字体,这些表格可能会有很大差异,因此您必须检查每个文本字符串使用的字体。
我做了一些进一步的调查,他们同意你自己和 Acrobat Pro 的调查结果。您的示例文本如下所示:
/F1 1 Tf % set font and size "HGKECF+PHBagdad"
...
[ (´Mb ) -24.4 (¢'b¥b ) -24.4 («®{05}d«ØU¢Nr, ) -24.4 (Ë«ù´öÂ ) -24.4 (°LDU{03}&Nr.) ] TJ
通常,PDF 中的字体条目包含一个“转换”为实际字符代码的表格。这种字体(以及所有其他字体)也是如此:
<<
/Type /Font
/Subtype /Type1
/BaseFont /HGKECF+PHBagdad
/Encoding 66 0 R
/ToUnicode 69 0 R
>>
(仅列出相关条目)。 /Encoding
入口指向一个简单的索引数组 > 字符代码列表,而 /ToUnicode
指向一个更正式的表,它本质上包含相同的内容。两个列表翻译成相同的文本。
如上图所示,字体 包含阿拉伯语字形(镜像),但链接到这些字形的代码 不是阿拉伯语的正确代码。这就像旧的“Symbol”字体黑客:键入“a”以获得 alpha,“b”为 beta,“g”为 gamma:屏幕上的文本显示为“ɑβɣ”但实际上它说的是“abg”。
另请参阅此 Adobe 论坛主题:Arabic - ToUnicode Map incorrect?
引用:
Arabic XT fonts are not Arabic fonts from the operating system point of view (MacOS or Windows). They use the Mac Roman encoding; the Arabic glyphs are placed in place of the Roman glyphs.
我试图为您的字体找到一个“校正”编码,但到目前为止还没有成功。如果我能找到一个翻译表,应该可以将现有的 /ToUnicode
表与更正的表进行交换,并且在提取时您会得到正确的文本。 (尽管在您选择的编程语言中使用同一个表来更改提取后的文本字符串可能更简单。)
关于Ruby 从 PDF 中提取阿拉伯语文本,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21032994/
我需要将文本放在 中在一个 Div 中,在另一个 Div 中,在另一个 Div 中。所以这是它的样子: #document Change PIN
奇怪的事情发生了。 我有一个基本的 html 代码。 html,头部, body 。(因为我收到了一些反对票,这里是完整的代码) 这是我的CSS: html { backgroun
我正在尝试将 Assets 中的一组图像加载到 UICollectionview 中存在的 ImageView 中,但每当我运行应用程序时它都会显示错误。而且也没有显示图像。 我在ViewDidLoa
我需要根据带参数的 perl 脚本的输出更改一些环境变量。在 tcsh 中,我可以使用别名命令来评估 perl 脚本的输出。 tcsh: alias setsdk 'eval `/localhome/
我使用 Windows 身份验证创建了一个新的 Blazor(服务器端)应用程序,并使用 IIS Express 运行它。它将显示一条消息“Hello Domain\User!”来自右上方的以下 Ra
这是我的方法 void login(Event event);我想知道 Kotlin 中应该如何 最佳答案 在 Kotlin 中通配符运算符是 * 。它指示编译器它是未知的,但一旦知道,就不会有其他类
看下面的代码 for story in book if story.title.length < 140 - var story
我正在尝试用 C 语言学习字符串处理。我写了一个程序,它存储了一些音乐轨道,并帮助用户检查他/她想到的歌曲是否存在于存储的轨道中。这是通过要求用户输入一串字符来完成的。然后程序使用 strstr()
我正在学习 sscanf 并遇到如下格式字符串: sscanf("%[^:]:%[^*=]%*[*=]%n",a,b,&c); 我理解 %[^:] 部分意味着扫描直到遇到 ':' 并将其分配给 a。:
def char_check(x,y): if (str(x) in y or x.find(y) > -1) or (str(y) in x or y.find(x) > -1):
我有一种情况,我想将文本文件中的现有行包含到一个新 block 中。 line 1 line 2 line in block line 3 line 4 应该变成 line 1 line 2 line
我有一个新项目,我正在尝试设置 Django 调试工具栏。首先,我尝试了快速设置,它只涉及将 'debug_toolbar' 添加到我的已安装应用程序列表中。有了这个,当我转到我的根 URL 时,调试
在 Matlab 中,如果我有一个函数 f,例如签名是 f(a,b,c),我可以创建一个只有一个变量 b 的函数,它将使用固定的 a=a1 和 c=c1 调用 f: g = @(b) f(a1, b,
我不明白为什么 ForEach 中的元素之间有多余的垂直间距在 VStack 里面在 ScrollView 里面使用 GeometryReader 时渲染自定义水平分隔线。 Scrol
我想知道,是否有关于何时使用 session 和 cookie 的指南或最佳实践? 什么应该和什么不应该存储在其中?谢谢! 最佳答案 这些文档很好地了解了 session cookie 的安全问题以及
我在 scipy/numpy 中有一个 Nx3 矩阵,我想用它制作一个 3 维条形图,其中 X 轴和 Y 轴由矩阵的第一列和第二列的值、高度确定每个条形的 是矩阵中的第三列,条形的数量由 N 确定。
假设我用两种不同的方式初始化信号量 sem_init(&randomsem,0,1) sem_init(&randomsem,0,0) 现在, sem_wait(&randomsem) 在这两种情况下
我怀疑该值如何存储在“WORD”中,因为 PStr 包含实际输出。? 既然Pstr中存储的是小写到大写的字母,那么在printf中如何将其给出为“WORD”。有人可以吗?解释一下? #include
我有一个 3x3 数组: var my_array = [[0,1,2], [3,4,5], [6,7,8]]; 并想获得它的第一个 2
我意识到您可以使用如下方式轻松检查焦点: var hasFocus = true; $(window).blur(function(){ hasFocus = false; }); $(win
我是一名优秀的程序员,十分优秀!