0

首先，此解决方案不适用于连字： Convert or Print CGPDFStringRef string

我正在阅读 PDF 中的文本并尝试将其转换为 NSString。我可以使用 AppleCGPDFScanner以CGPDFString. “fi”连字字符给我带来了麻烦。当我在调试器中查看我的字节数组时，我看到一个 '\f'

所以为了简单起见，假设我有这个字符：

unsigned char myLigatureFromPDF = '\f';

最终我想把它转换成这个（“fi”连字的 unicode 值）：

unichar whatIWant = 0xFB01;

这是我失败的尝试（我从PDFKittenbtw 复制了这个）：

 const char str[] = {myLigatureFromPDF, '\0'};
    NSString* stringEncodedLigature = [NSString stringWithCString:str encoding:NSUTF8StringEncoding];
    unichar encodedLigature = [stringEncodedLigature characterAtIndex:0];

如果有人能告诉我如何做到这一点，那就太好了另外，作为旁注，调试器如何解释未编码的字节数组，换句话说，当我将鼠标悬停在数组上时，它如何知道显示'\ f'

谢谢！

4

1 回答 1

1

每个 PDF 解析器的功能都受到 PDF 规范的一个重要点的限制：文字字符串中的字符被编码为字节或单词，但编码不需要包含在文件中。

例如，如果包含字体的子集，其中代码“1”对应于“h”的图像（字符字形）并且代码“2”映射到字形“a”，则字符串(\1\2\1\2)将显示“haha "，正如预期的那样。但是，如果 PDF 不包含有关该字体中的字形如何对应于 Unicode 的更多信息，则字符串解码器无法找到“glyph #1”和“glyph #2”的正确字符代码。

看来您的测试 PDF 确实包含该信息 - 否则，它如何推断“常规”字符的正确字符？- 但在这种情况下，为了方便起见，“常规”字符根本没有重新映射到其他二进制代码。此外，再次为方便起见，单个字符“fi”的字形被重新映射到原始字体（或包含在文件中的子集）中的“0x0C”。但是，同样，如果文件不包含字符代码和 Unicode 值之间的转换表，则无法检索正确的代码。

以上适用于所有PDF 和字符串。如果 PDF 中的字体定义包含编码，您的字符串提取方法应该使用它；如果 PDF 包含/ToUnicode字体表，那么您的方法应该再次使用它。如果两者都不包含，您将获得文字字符串内容（并且，您可能不会被告知使用了哪种方法以及它的可靠性）。

作为最后的脚注：在 TeX 和 LaTeX 字体中，连字被映射到较低的 ASCII 代码（以及少量其他非 ASCII 代码，例如弯引号）。您似乎正在阅读此处通过 TeX 创建的 PDF——但这只能从这种特定的编码中推断出来。此外，即使您事先知道 PDF 是通过 TeX 生成的，也不能保证它确实使用这种特定的编码，因为翻译或不翻译的决定取决于 PDF 生成器，而不是 TeX 本身。

于 2014-07-19T11:39:10.320 回答