pdf - PDF复制文本问题:奇怪的字符

Question

我试图从PDF文件复制文本，但得到一些奇怪的字符。奇怪的是，Okular可以重新识别文本，但不能使用Sumatra PDF或Adobe，这三个应用程序都安装在Windows 10 64位中。为了更好地解释我的问题，这里是视频https://streamable.com/sw1hc。 “文本层解决方法文件”是我得到的一种解决方案。任何帮助是极大的赞赏。问候

Answer 1

简而言之：（原始）PDF不包含PDF规范中描述的常规文本提取所需的信息。根据任务的确切性质，您可以尝试将所需信息添加到现有文本对象和字体中，或者可以使用OCR。

如PDF规范中所述将字符代码映射到Unicode

PDF规范ISO 32000-1（以及类似的ISO 32000-2）描述了一种算法，该算法使用直接在PDF内部可用的信息将字符代码映射到Unicode值。

它在其他堆栈溢出答案中经常被引用（请参见here，here，here，here，here或here），因此在此不再赘述。

本质上，这是Adobe Acrobat在复制和粘贴期间以及许多其他文本提取器中使用的算法。

在不包含文本提取所需信息的PDF中，您最终会在算法中达到这一点：


如果这些方法无法产生Unicode值，则无法确定字符代码代表什么，在这种情况下，合格的读者可以选择他们选择的字符代码。


如果上述算法无法产生Unicode值，会发生什么情况

这是文本提取实现不同的地方，它们尝试通过使用PDF之外的启发式方法或信息或将OCR应用于相关字形来确定匹配的Unicode值。

您尝试过的不同程序返回的结果如此不同，这表明


您的PDF不包含PDF规范中上述算法所需的信息，并且
这些程序使用的启发式方法相关地有所不同，Okular的启发式方法最适合您的文档。


在这种情况下该怎么办

有多种选择，或多或少取决于您的具体情况：


向PDF来源索取包含正确文本提取信息的版本。

除非您与该来源有合同，要求他们以机器可读的形式提供PDF，否则该来源有义务这样做，但是它们通常会被拒绝，但是...
将OCR应用于相关PDF。

取决于OCR软件和PDF中的字形的质量，结果的质量可能令人怀疑。例如在您的“ PDF复制文本问题-文本层workaround.pdf”中，标题“第1章：衍生证券”被识别为“第1章：德拉特证券”。
您可以尝试以交互方式将手动创建的ToUnicode映射添加到PDF，例如如Tilman Hausherr至his answer中"how to add unicode in truetype0font on pdfbox 2.0.0"所述。

根据您要为其创建映射的不同字体的数量，此方法可能很容易需要太多时间和精力...