pdf - 从一个 PDF 中提取到 Unicode map 并在另一个 PDF 中使用

Question

我有一个 Unicode PDF 文档，它缺少 toUnicode 映射。我有一个具有 toUnicode 映射的相同字体的不同 PDF。我可以从一个 PDF 中提取它并使用它从另一个 PDF 中提取文本吗？

Answer 1

对于 Unicode 映射，Adobe 有特殊资源/ToUnicode您可以在字体资源描述的 pdf 文件中找到它。看起来像

<</BaseFont /ONWALI+Sylfaen/DescendantFonts [10 0 R]/Encoding /Identity-H/Subtype /Type0/ToUnicode 11 0 R/Type /Font>>

和 /ToUnicode 11 0 R 是您需要在 pdf 文件中包含的。 11 0是一个资源ID

我在 Acrobat Pro 中创建了包含所有字母符号的示例 pdf，以使用与报告中使用的相同字体进行标准 ToUnicode 映射。我已经将资源提取为文本，它看起来像:

/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
50 beginbfchar
<0003> <0020>
...and so on...
endbfchar
endcmap CMapName currentdict /CMap defineresource pop end end

ToUnicode 资源通常是压缩的，因此您必须解压缩它才能获得如上所示的文本。

然后我编写了获取 pdf 的代码(来自 Misrosoft Reporting 中生成的报告)并为找到的每种字体添加/ToUnicode 资源。 Pdf 有带指针的外部参照表，您不能将其作为文本文件进行编辑。所以你必须使用一些 pdf 引擎(我用过 PDFTron 但 itext 应该足够了)。每次我需要将报告另存为 pdf 时，都会执行此后处理代码。实际上ToUnicode映射应该由Microsoft Reporting engine填充，但是好得令人难以置信。

就是这样。