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

Question

我有一个 Unicode PDF 文档，其中缺少 toUnicode 映射。我有一个具有相同字体的不同 PDF，它具有 toUnicode 映射。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 Adob​​e 有特殊资源 /ToUnicode 你可以在字体资源描述里面的 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>>

并且/ToUnicode 11 0 R是您需要在pdf文件中拥有的。11 0是资源 ID

我在 Acrobat Pro 中创建了包含所有字母符号的示例 pdf，以便使用报告中使用的相同字体进行标准 ToUnicode 映射。我已将资源提取为文本，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，所以你必须解压缩它才能得到上面的文本。

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 有带有指针的外部参照表，您不能将其编辑为文本文件。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 引擎填充，但它好得令人难以置信。

而已。

Answer 2

一般的答案是否定的。您所说的 ToUnicode 映射遵循 PDF CMap 格式，用于将字符代码转换为 Unicode 值。您面临两个潜在的陷阱：

1）字体不完全相同。虽然它们的名称可能相同，但它们可能具有不同的编码，或者可能包含不同的字形（即使对于相同的编码）。在这种情况下，从不同的字体应用 CMap 会给你不正确的 unicode 值。

2）字体可能在所有方面都相同，但可能在 PDF 文件中被子集（可能）并且子集可能不同。在某些情况下，这不会改变字体在 PDF 文件中的存储方式，但有优化的 PDF 编写器会将它们可以压缩的任何内容压缩为子集字体，这可能会导致使用不同的字符代码并最终不同ToUnicode 地图。