PDF复制文本问题：奇怪字符

我试图从PDF文件中复制文本，但得到了一些奇怪的字符。奇怪的是，Okular可以识别文本，但苏门答腊PDF或Adobe无法识别，这三个应用程序都安装在64位Windows 10中。为了更好地解释我的问题，这里是视频。“文本层解决方案文件”是我得到的一个解决方案。非常感谢您的帮助。简而言之，（原始）PDF不包含PDF规范中所述的常规文本提取所需的信息。根据任务的具体性质，您可以尝试将所需信息添加到现有的文本对象和字体中，也可以选择OCR

如PDF规范所述，将字符代码映射到Unicode PDF规范ISO 32000-1（以及类似的ISO 32000-2）描述了一种使用PDF中直接提供的信息将字符代码映射到Unicode值的算法

它在其他堆栈溢出答案中经常被引用（请参阅、、或），因此我不再在这里引用它

从本质上讲，这是Adobe Acrobat在复制和粘贴期间使用的算法，也是许多其他文本提取器使用的算法

在不包含文本提取所需信息的PDF中，您最终可以在算法中找到这一点：

如果这些方法无法生成Unicode值，则无法确定字符代码所代表的内容，在这种情况下，一致性读取器可以选择自己选择的字符代码

如果上述算法无法生成Unicode值，会发生什么情况 这就是文本提取实现的不同之处，它们试图通过使用启发法或来自PDF之外的信息，或将OCR应用于所讨论的字形来确定匹配的Unicode值

您尝试的不同程序返回的结果如此不同，这表明

您的PDF不包含PDF规范和

这些程序使用的启发式方法各不相同，Okula的启发式方法最适合您的文档

在这种情况下该怎么办 根据具体情况，有多种选择，或多或少可行：

请向PDF源查询包含适当文本提取信息的版本

除非您与该来源签订合同，要求他们以机器可读的形式提供PDF，或者该来源有义务这样做，否则他们通常会拒绝，尽管

对有问题的PDF应用OCR

根据OCR软件的质量和PDF中的字形，结果的质量可能有问题；e、 g.在您的“PDF副本文本发行文本层解决方案.PDF”中，标题“第1章：衍生证券”已被确认为“第1章：Deratve证券”

您可以尝试以交互方式将手动创建的ToUnicode地图添加到PDF中，例如，如中所述

根据您必须为其创建映射的不同字体的数量，这种方法可能很容易需要太多的时间和精力

---

请分享有问题的PDF。非常感谢。这里是PDF示例文件的链接，您没有指定奇怪字符的确切位置，但我可以看到PDF中的任何连字都有不正确的Unicode输出。例如，我得到的不是“Metallgesellschaft fired”，而是“Metallgesellschaft®red”，其中“fi”是unicode连字U+FB01。这是制作PDF的软件的一个问题，在PDF中没有生成正确的ToUnicode映射。@Ryan起初我认为问题在整个文件中，因为只有Okula可以识别文本。对于具体提到的单词，苏门答腊PDF将其识别为“I%”，Adobe将其识别为“I%”。但现在我可以确认，Okular也错误地将“Metallge sellschaft fired”识别为Metallge sellschaft®红色“。很高兴知道问题出在哪里，有没有办法更正PDF格式的ToUnicode地图？谢谢，谢谢。这就解释了所有的问题，特别是关于我为什么坚持一个程序可以提取文本，而其他程序不能。请有人详细解释一下代码。我可以看到glyph字符12映射到unicode十六进制值0064，但在PDFDebugger屏幕截图中，拉丁文小写字母D有代码/CID/GID 18。最后，如何运行此代码？是否可以将其直接映射到PDFDebugger ToUnicode CMap表中？对于我来说，OCR作为另一种解决方案不是很理想，虽然我通过了最佳路径（文本层覆盖），因为文本的准确性为回到这里提供了理由，但我不能在上面提到的线程的答案部分发表评论。@ariefcfa“我可以看到glyph字符12映射到unicode十六进制值0064，但在PDFDebugger屏幕截图中，拉丁文小写字母D的代码为/CID/GID 18。“-ToUnicode CMap中的所有映射数据都以十六进制数写入，包括字符代码。因此，

作为十进制数是18！PDFDebugger将数字输出为十进制数字。因此，您看到的数字毕竟是匹配的@ariefcfa“如何运行此代码”-它是基于PDFBox库的Java代码。因此，您可以使用PDFBox jar及其依赖项编译它，然后运行编译后的代码。