pdf - Ghostscript:使用 'gxps' 生成可搜索的 PDF

Question

我有一个可搜索的 XPS 文件，我将其转换为 PDF，如下所示:

gxps -sOutputFile=C:\temp\foo.pdf -sDEVICE=pdfwrite \
     -dNOPAUSE C:\temp\foo.xps

生成的 PDF 不可搜索。

• gxps 有办法生成可搜索的 PDF 吗？
• 如果没有，是否有类似的应用程序可以在命令行上将可搜索的 XPS 转换为可搜索的 PDF？

编辑:

gxps version: 9.15
Build date: Mon Sep 22 12:35:05 2014

• 示例输入 XPS 文件:https://www.dropbox.com/s/01rd7apzjb1kwuo/forSO.xps?dl=0

• 示例输出 PDF 文件:https://www.dropbox.com/s/pefslcyznns5gim/forSO.pdf?dl=0

Answer 1

我查看了 PDF 并使用 pdffonts 快速调查了 GPXPS 为生成的 PDF 文件使用的字体:

 $ pdffonts forSO.pdf

   name                    type         encoding         emb sub uni object ID
   ----------------------- ------------ ---------------- --- --- --- ---------
   RFGWZI+Arial            TrueType     WinAnsi          yes yes yes     11  0

从表面上看，它看起来不错:

1. 唯一使用的字体是嵌入的(参见 emb 列)。
2. 字体类型为普通字体(见类型栏)。
3. 字体编码为标准编码(参见编码栏)。
4. 该字体似乎有一个配套的 /ToUnicode 映射(参见 uni 列)。

然而，仔细观察，由 gxps 嵌入到 PDF 中的真实 /ToUnicode 映射似乎严重受损。这是它，作为完整的间接对象从 PDF 中提取，具有未压缩的流:

41 0 obj
<<
  /Length 863
>>
stream
/CIDInit /ProcSet findresource begin
12 dict begin
begincmap
/CMapType 2 def
/CMapName/R41 def
1 begincodespacerange
<00><ff>
endcodespacerange
42 beginbfrange
<04><04><0004>
<05><05><0004>
<06><06><0006>
<07><07><0006>
<08><08><0006>
<09><09><0006>
<0a><0a><000a>
<0b><0b><000a>
<0c><0c><000c>
<0d><0d><000c>
<0e><11><000e>
<12><12><000c>
<13><13><000c>
<14><14><000c>
<15><15><000c>
<16><16><0004>
<17><17><0004>
<18><18><0004>
<19><1a><0019>
<1b><1b><001a>
<1c><1c><001a>
<1d><1d><001a>
<1e><1e><001a>
<1f><1f><001a>
<20><20><0044>
<21><21><001a>
<22><22><001a>
<23><23><001a>
<24><24><0024>
<25><25><000c>
<26><26><001d>
<27><27><0023>
<28><28><0023>
<29><29><0028>
<41><41><0044>
<44><44><0044>
<49><49><0044>
<63><63><0044>
<69><69><0044>
<74><74><0044>
<76><76><0044>
<79><79><0044>
endbfrange
endcmap
CMapName currentdict /CMap defineresource pop
end end
endstream
endobj

如您所见，/ToUnicode 表包含 42 个键，但它们只映射到 12 个不同的字符值:

• 这 12 个不同字符值中的一些值在此表中多次出现，因此将多个字形反向映射到同一字符(这反过来似乎对单个字符也不正确):

       no. of |   char 
  occurrences |   value
  ------------+-----------
           1  |   <000e>
           1  |   <0019>
           1  |   <001d>
           1  |   <0024>
           1  |   <0028>
           2  |   <000a>
           2  |   <0023>
           4  |   <0006>
           5  |   <0004>
           7  |   <000c>
           8  |   <001a>
           9  |   <0044>
  

• 例如，字符值 06 映射到具有数字 06、07、08 的字形> 和 09。

这看起来不对。

恕我直言，这值得将错误报告到 Ghostscript's Bugzilla (但我不确定 GXPS 组件是否仍在积极维护中)。

更新:我在这里找到了 Ghostscript/GPXPS bugzilla 数据库中的现有条目:

• Bug 693945 - Incorrect Unicode Map Generated by gxps/pdfwrite