ios - Type0 CMap 解析问题

Question

我目前正在使用 PDFKitten 进行 iOS PDF 扫描。我正在尝试提取文本以在具有 Type0 字体的 PDF 中进行搜索。我无法从 PDF 中提取文本。ToUnicode 中的一些条目丢失了，一些条目被误解了。解析 CMap 会不会有问题？如果我没有完整的CMap，我该如何推导呢？我可以为这些缺失的 ToUnicode 条目获取外部条目吗？

谢谢

Answer 1

PDF specification在第 9.10.2 节将字符代码映射到 Unicode 值中提供了有关如何提取文本内容的提示:

• 如果字体字典包含一个ToUnicode CMap(参见 9.10.3，“ToUnicode CMaps”)，使用该 CMap 将字符代码转换为 Unicode。

• 如果字体是使用预定义编码之一的简单字体 MacRomanEncoding、MacExpertEncoding 或 WinAnsiEncoding，或者有一种编码，其Differences 数组仅包括从 Adob​​e 标准拉丁字符集中获取的字符名称和 Symbol 字体中的命名字符集(参见附件 D):

  a) 根据表 D.1 和字体的Differences 数组将字符代码映射到字符名称。

  b) 在 Adobe Glyph List(参见引用书目)中查找字符名称以获得相应的 Unicode 值。

• 如果字体是使用表 118 中列出的预定义 CMap 之一的复合字体(Identity–H 和 Identity–V 除外)或其后代 CIDFont 使用 Adob​​e-GB1、Adobe-CNS1、Adobe- Japan1，或 Adob​​e-Korea1 字符集:

  a) 根据字体的 CMap 将字符代码映射到字符标识符 (CID)。

  b) 从其 CIDSystemInfo 字典中获取字体的 CMap(例如，Adobe 和 Japan1)使用的字符集合的注册表和排序。

  c) 通过将在步骤 (b) 中获得的注册表和排序以注册表-排序-UCS2 格式(例如，Adobe-日本 1-UCS2)连接起来，构建第二个 CMap 名称。

  d) 获取具有在步骤 (c) 中构建的名称的 CMap(可从 ASN 网站获得；参见引用书目)。

  e) 根据步骤(d)得到的CMap映射步骤(a)得到的CID，产生Unicode值。

此外，如第 9.10.1 节所示，

• 结构元素或标记内容序列的 ActualText 条目(参见 14.9.4，“替换Text") 可用于直接指定文本内容

根据规范，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。这不完全正确；例如嵌入式字体程序可能包含它们自己的 Unicode 映射；但这些额外的信息来源超出了实际的 PDF 格式。

编辑

OP 通过邮件提供了相关文件 iPhoneConfigurationProfileRef-2013-GM.pdf 并指出

I am getting problem for every glyph.

The issue is that ranges present in PDF are not complete and are different from adobe-identity-cmap file.

If I only use CMap embedded in PDF, I get no mapping for every character and if I use adobe one the all mappings are wrong.

由于他没有得到任何字形的映射，让我们以扉页为例。

内容流包含这些与文本提取相关的操作:

BT 
50 0 0 50 60 669.225 Tm 
/G1 1 Tf 
<0025> Tj 
ET 
BT 
50 0 0 50 87.6 669.225 Tm 
/G1 1 Tf 
<005100500048004b004900570054> Tj 
ET 
BT 
50 0 0 50 238 669.225 Tm 
/G1 1 Tf 
<0043> Tj 
ET 
BT 
50 0 0 50 261.45 669.225 Tm 
/G1 1 Tf 
<0056004b00510050> Tj 
ET 
BT 
50 0 0 50 355.4 669.225 Tm 
/G1 1 Tf
<0032> Tj 
ET 
BT 
50 0 0 50 380.75 669.225 Tm 
/G1 1 Tf 
<0054> Tj 
ET 
BT 
50 0 0 50 396.55 669.225 Tm 
/G1 1 Tf 
<00510048004b004e0047> Tj 
ET 
BT 50 0 0 50 60 609.225 Tm 
/G1 1 Tf 
<0034> Tj 
ET 
BT 
50 0 0 50 86.65 609.225 Tm 
/G1 1 Tf 
<00470048> Tj 
ET 
BT
50 0 0 50 125.05 609.225 Tm 
/G1 1 Tf 
<00470054> Tj 
ET 
BT 
50 0 0 50 165.45 609.225 Tm 
/G1 1 Tf 
<004700500045> Tj 
ET 
BT 
50 0 0 50 238.9 609.225 Tm 
/G1 1 Tf 
<0047> Tj 
ET

因此我们只需要查看第 1 页上的字体 G1。幸运的是该字体有一个 ToUnicode 映射:

/CIDInit /ProcSet findresource begin
12 dict begin
begincmap
/CIDSystemInfo <<
  /Registry (Adobe)
  /Ordering (UCS)
  /Supplement 0
>> def
/CMapName /Adobe-Identity-UCS def
/CMapType 2 def
1 begincodespacerange
<0000><FFFF>
endcodespacerange
1 beginbfchar
<000f><002d 2010>
endbfchar
15 beginbfrange
<0002><0002><0020>
<0004><000c><0022>
<000e><000e><002c>
<0010><001d><002e>
<001f><001f><003d>
<0022><0032><0040>
<0034><003d><0052>
<003f><003f><005d>
<0041><0041><005f>
<0043><005c><0061>
<005e><005e><007c>
<008a><008a><00a9>
<00a4><00a4><2014>
<00a5><00a6><201c>
<00a8><00a8><2019>
endbfrange
endcmap
CMapName currentdict /CMap defineresource pop
end
end 

尝试应用此映射(基于明确的 beginbfrange...endbfrange 条目):

<0025> Tj                          % "C"       = <0043>                         due to <0022><0032><0040>
<005100500048004b004900570054> Tj  % "onfigur" = <006f006e00660069006700750072> due to <0043><005c><0061>
<0043> Tj                          % "a"       = <0061>                         due to <0043><005c><0061>
<0056004b00510050> Tj              % "tion"    = <00740069006f006e>             due to <0043><005c><0061>
<0032> Tj                          % "P"       = <0050>                         due to <0022><0032><0040>
<0054> Tj                          % "r"       = <0072>                         due to <0043><005c><0061>
<00510048004b004e0047> Tj          % "ofile"   = <006f00660069006c0065>         due to <0043><005c><0061>
<0034> Tj                          % "R"       = <0052>                         due to <0034><003d><0052>
<00470048> Tj                      % "ef"      = <00650066>                     due to <0043><005c><0061>
<00470054> Tj                      % "er"      = <00650072>                     due to <0043><005c><0061>
<004700500045> Tj                  % "enc"     = <0065006e0063>                 due to <0043><005c><0061>
<0047> Tj                          % "e"       = <0065>                         due to <0043><005c><0061>

这与页面的外观非常匹配: