我正在尝试使用 PDFMiner 从外语 PDF 文件中提取文本，但被 ToUnicode 语句挫败。即使在普通的 PDF 查看器下，该文件的行为也很奇怪。
例如，这是文件中某些文本的屏幕截图：
但是如果我选择并复制文本，它看起来像这样：
िनरकर</p>
您可以看到几个字符发生了变化，尤其是倒数第二个字符。
毫不奇怪，PDFMiner 提取了不正确的文本。但是每个 PDF 查看器都能正确显示这些数据。我怀疑这个问题要么是 ToUnicode 映射，要么是带有连体字符的东西。所需的字母应该是 0x915、0x94D、0x937 的序列。PDFMiner 只报告 0x915，它描述了一个不同的字符。
我需要做什么才能让 PDFMiner 正确提取文本，即在图像中而不是在复制粘贴的文本中？
这是相关 PDF 的链接。
简而言之：
您的 PDF 不包含在不使用 OCR 的情况下正确提取文本所需的信息。
详细地：
ToUnicode Map 和PDF中嵌入的 Mangal-Regular 子集的字体程序中的 Unicode 条目都声称这四个字形
都表示相同的 Unicode 代码点 0x915。
因此，任何不查看绘制的字形（即不尝试 OCR）的文本提取程序将为这些字形中的任何一个返回 0x915。
背景：
您似乎想知道为什么 PDF 查看器正确显示文本但文本提取（复制和粘贴或 PDFMiner）不能正确提取。
原因是 PDF 作为一种格式不包含文本本身。它包含指向嵌入式字体程序中的字形绘制指令的指针（直接指针或通过映射）。使用这些指针可以按预期绘制 PDF。
此外，它还可以包含将字形指针映射到 Unicode 代码点的额外信息。这些额外的信息被文本提取程序使用。对于您的 PDF，这些映射不正确，因此提取的文本不正确。