- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
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
最佳答案
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...
关于pdf - PDF复制文本问题:奇怪的字符,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55478339/
表架构 DROP TABLE bla; CREATE TABLE bla (id INTEGER, city INTEGER, year_ INTEGER, month_ INTEGER, val I
我需要拆分字符串/或从具有以下结构的字符串中获取更容易的子字符串。 字符串将来自 window.location.pathname 或 window.location.href,看起来像 text/n
每当将对象添加到数组中时,我都会尝试更新 TextView ,并在 TextView 中显示该文本,如下所示: "object 1" "object 2" 问题是,每次将新对象添加到数组时,它都会覆盖
我目前正在寻找使用 Java 读取网站可见文本并将其存储为纯文本字符串的方法。 换句话说,我想转换成这样: Hello stupid World进入“ Hello World ” 或者类似的东西 Un
我正在尝试以文本和 HTML 格式发送电子邮件,但无法正确发送正确的 header 。特别是,我想设置 Content-Type header ,但我找不到如何为 html 和文本部分单独设置它。 这
我尝试了上面的代码,但我无法绑定(bind)文本,我怎样才能将资源内部文本 bloc
我刚刚完成了 Space Shooter 教程,由于没有 GUIText 对象,所以我创建了 UI.Text 对象并进行了相应的编码。它在统一播放器中有效,但在构建 Web 应用程序后无效。我花了一段
我有这个代码: - (IBAction)setButtonPressed:(id)sender { NSUserDefaults *sharedDefaults = [[NSUserDefau
抱歉标题含糊不清,但我想不出我想在标题中做什么。无论如何,对于图像上的文本,我使用了 JLabel 文本并将其添加到图标中。 JLabel icon = new JLabel(new Imag
关闭。这个问题是not reproducible or was caused by typos .它目前不接受答案。 这个问题是由于错别字或无法再重现的问题引起的。虽然类似的问题可能是on-topi
我在将 Twitter 嵌入到我从 HTML 5 转换的 wordpress 运行网站时遇到问题。 我遇到的问题是推文不是我的自定义字体... 这是我无法使用任何 css 定位的 HTML 代码,我正
我正在尝试找到解决由于使用以下形式的代码而导致的冗余字符串连接问题的最佳方法: logger.debug("Entering loop, arg is: " + arg) // @1 在大多数情况下,
我写了这个测试 @Test public void removeRequestTextFromRouteError() throws Exception { String input = "F
我目前正在创建一个正则表达式来拆分所有匹配以下格式的字符串:&[文本],并且需要获取文本。字符串可能类似于:something &[text] &[text] everything &[text] 等
有没有办法将标题文本从一个词变形为另一个词,同时保留两个词中使用的字母?我看过的许多 css 文本动画大多是视觉的,很少有旋转整个单词的。 我想要做的是从一个词过渡,例如“BEACH”到“CHANGE
总结matplotlib绘图如何设置坐标轴刻度大小和刻度。 上代码: ?
我在容器 (1) 中创建了容器 (2)。你能帮忙如何向容器(1)添加文本吗?下面是我的代码 return Scaffold( body: Padding( padding: c
我似乎找不到任何人或任何人这样做过。我试图限制我们使用的图像数量,并想创建一个带有渐变作为其“颜色”的文本,并在其周围设置渐变轮廓/描边 到目前为止,我还没有看到任何将两者结合在一起的东西。 我可以自
我正在为视频游戏暗黑破坏神 2 使用 discord.py 构建一个不和谐机器人。其中一项功能要求机器人从暗黑破坏神 2 屏幕截图中提取项目的名称和属性。我目前正在为此使用 pytesseract,但
我很难弄清楚如何旋转 strip.text theme 中的属性来自 ggplot2 .我使用的是 R 版本 3.4.2 和 ggplot2 版本 2.2.1。 以下是 MWE 的数据。 > dput
我是一名优秀的程序员,十分优秀!