我有一个由第三方生成的 PDF。我正在尝试从中获取文本，但pdf2text复制和粘贴都不会导致可读文本。在对输出（两个中的任何一个）进行一些挖掘之后，我发现屏幕上的每个字符都由三个字节组成。例如，“A”是字节ef、81和81。查看声称以 Identity-H 编码的 PDF 上的元数据，因此我假设我看到的是一组以 Identity-H 编码的字符。我有一个基于我已经拥有的文档的部分映射，但我想做一个更完整的映射。为此，我需要一个用于 Identity-H 的 ASCII 表。
问问题
18780 次
1 回答
10
并非总是可以从 PDF 中提取文本，尤其是当 mkl 指出的 /ToUnicode 映射丢失时。
如果无法从 Acrobat 剪切和粘贴正确的文本，那么您自己提取文本的机会就很小。如果 Acrobat 无法提取它，那么任何其他工具都不太可能正确提取文本。
如果您手动创建一个编码表，那么您可以使用它来将提取的字符重新映射到它们的正确值，但这很可能只适用于这个文档。
这通常是故意的。我已经看到文档为点中的每种字体随机重新映射不同的字符。它被用作一种混淆形式，从这些 PDF 中提取文本的唯一真正方法是使用 OCR。有许多财务报告使用这种技巧来阻止人们提取数据。
此外，Identity-H 只是从 0x0000 到 0xFFFF 的所有字符的 1:1 字符映射。IE。身份是一个身份映射。
您真正的问题是此 PDF 中缺少 /ToUnicode 条目。我怀疑您的 PDF 中还有一个嵌入式 CMap，它解释了为什么每个字符可能有 3 个字节。
于 2013-07-15T08:07:23.453 回答