gpt4 book ai didi

pdf - PDF复制文本问题:奇怪的字符

转载 作者:行者123 更新时间:2023-12-02 23:01:27 28 4
gpt4 key购买 nike

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herehereherehereherehere),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 Hausherrhis answer"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/

28 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com