无法从pdf复制特殊字符

我只需要从pdf文件中复制一些包含特殊字符的文本，但特殊字符（如dash-get）已转换为2

PFA从下方链接

http://www.fileconvoy.com/dfl.php?id=g6a3426746a10af3b9992384375c5923396bce3660

附件有pdf源文件，我从那里复制数据，另一个是截图图像。。 需要紧急帮助。我也尝试过使用谷歌文档和Adobe Pro从pdf复制数据，但每次都得到类似的结果

简而言之：

PDF中的所有信息都表明，PDF中被视为破折号的图示符实际上代表一个2。因此，要以不同的方式解释这些字形，您必须从根本上更改PDF字体中该字符的unicode映射值，或者求助于光学字符识别

详细内容：

让我们看看你的PDF pg_0001.PDF内容流的那一部分，你标记的单词来自其中

创建的项目包括：

0 -1.1065 TD
[(Fibroblast)-241.2(growth)-234.1(factor-21)-237.3(\(FGF-21\))-242.3(activity)-233.9(in)-237(High-fat)-237.9(diet)-234.9(\(HFD\))-238.3(fed)-234(ApoE)]TJ
/F6 1 Tf
6.7246 0 0 5.9768 357.3354 542.4944 Tm
(2)Tj
/F4 1 Tf
.8346 0 TD
(/)Tj
/F6 1 Tf
.3372 0 TD
(2)Tj
/F4 1 Tf
8.9663 0 0 8.9663 372.9826 538.5259 Tm
[(mice)-235.6(with)-233.5(adiponectin)-240.8(\(Acrp30\))-237.6(knockdown.)]TJ

这里的特殊字符实际上由字体/F6中的字符“2”=50=0x32表示

由于从字符串中的字符到实际打印的字形的映射可能是任意的，并且可能有正确解释的提示，但是，我们应该在该页面上查看字体/F6的定义：

<<
  /FirstChar 44
  /ToUnicode 21 0 R
  /Encoding 22 0 R
  /FontDescriptor 23 0 R
  /BaseFont /KAHBDA+AdvP7DA6
  /Subtype /Type1
  /LastChar 50
  /Type /Font
  /Widths [833 0 0 0 0 0 833]
>> 

因此，您的字体通过/ToUnicode映射得到增强，文本提取程序应该使用该映射来解释内容流中的字符。让我们看看这个映射：

/CIDInit /ProcSet findresource begin 12 dict begin begincmap /CIDSystemInfo <<
/Registry (F6+0) /Ordering (T1UV) /Supplement 0 >> def
/CMapName /F6+0 def
/CMapType 2 def
1 begincodespacerange <2c> <32> endcodespacerange
2 beginbfchar
<2c> <002C>
<32> <0032>
endbfchar
endcmap CMapName currentdict /CMap defineresource pop end end

因此，这里的'2'=0x32被映射为表示Unicode代码0x0032，该代码再次是'2'

如果/ToUnicode映射不存在，文本提取程序可以在PDF对象22 0中使用/Encoding定义。但这里再次强调：

22 0 obj 
<<
  /Type /Encoding
  /Differences [44 /comma 50 /two]
>> 

这里，“2”=50被映射到名为/two的glyph，它再次使该glyph成为2

因此，PDF中除了轮廓图形定义本身之外的所有信息（理论上可以通过OCR’ing进行检查）都表明虚线轮廓确实是一个双字符

要使文本提取程序更符合您的喜好来解释该glyph，您应该将的/ToUnicode映射替换为，例如。不幸的是，映射是用filter/FlateDecode编码的，因此这不是一项简单的十六进制编辑器工作，而是需要解码等。

简而言之：

PDF中的所有信息都表明，PDF中被视为破折号的图示符实际上代表一个2。因此，要以不同的方式解释这些字形，您必须从根本上更改PDF字体中该字符的unicode映射值，或者求助于光学字符识别

详细内容：

让我们看看你的PDF pg_0001.PDF内容流的那一部分，你标记的单词来自其中

创建的项目包括：

0 -1.1065 TD
[(Fibroblast)-241.2(growth)-234.1(factor-21)-237.3(\(FGF-21\))-242.3(activity)-233.9(in)-237(High-fat)-237.9(diet)-234.9(\(HFD\))-238.3(fed)-234(ApoE)]TJ
/F6 1 Tf
6.7246 0 0 5.9768 357.3354 542.4944 Tm
(2)Tj
/F4 1 Tf
.8346 0 TD
(/)Tj
/F6 1 Tf
.3372 0 TD
(2)Tj
/F4 1 Tf
8.9663 0 0 8.9663 372.9826 538.5259 Tm
[(mice)-235.6(with)-233.5(adiponectin)-240.8(\(Acrp30\))-237.6(knockdown.)]TJ

这里的特殊字符实际上由字体/F6中的字符“2”=50=0x32表示

由于从字符串中的字符到实际打印的字形的映射可能是任意的，并且可能有正确解释的提示，但是，我们应该在该页面上查看字体/F6的定义：

<<
  /FirstChar 44
  /ToUnicode 21 0 R
  /Encoding 22 0 R
  /FontDescriptor 23 0 R
  /BaseFont /KAHBDA+AdvP7DA6
  /Subtype /Type1
  /LastChar 50
  /Type /Font
  /Widths [833 0 0 0 0 0 833]
>> 

因此，您的字体通过/ToUnicode映射得到增强，文本提取程序应该使用该映射来解释内容流中的字符。让我们看看这个映射：

/CIDInit /ProcSet findresource begin 12 dict begin begincmap /CIDSystemInfo <<
/Registry (F6+0) /Ordering (T1UV) /Supplement 0 >> def
/CMapName /F6+0 def
/CMapType 2 def
1 begincodespacerange <2c> <32> endcodespacerange
2 beginbfchar
<2c> <002C>
<32> <0032>
endbfchar
endcmap CMapName currentdict /CMap defineresource pop end end

因此，这里的'2'=0x32被映射为表示Unicode代码0x0032，该代码再次是'2'

如果/ToUnicode映射不存在，文本提取程序可以在PDF对象22 0中使用/Encoding定义。但这里再次强调：

22 0 obj 
<<
  /Type /Encoding
  /Differences [44 /comma 50 /two]
>> 

这里，“2”=50被映射到名为/two的glyph，它再次使该glyph成为2

因此，PDF中除了轮廓图形定义本身之外的所有信息（理论上可以通过OCR’ing进行检查）都表明虚线轮廓确实是一个双字符

要使文本提取程序更符合您的喜好来解释该glyph，您应该将的/ToUnicode映射替换为，例如。不幸的是，映射是用filter/flateCode编码的，因此这不是一个简单的十六进制编辑器工作，而是需要解码等