Poppler pdf2HtmlEX-html上的文本与源pdf不同

我正在使用

pdf2htmlEX

将pdf文件转换为html。之后，我还从文件中提取文本

问题：

pdf2htmlEX version 0.14.6
Copyright 2012-2015 Lu Wang <coolwanglu@gmail.com> and other contributors
Libraries: 
  poppler 0.54.0
  libfontforge 20180906
  cairo 1.14.6
Default data-dir: /usr/local/share/pdf2htmlEX
Supported image format: png jpg svg

我遇到一个文件，转换后的html中的文本无法读取：

我使用的命令是：

pdf2htmlEX --tounicode 1 ./file.pdf

html上的文本有许多空格和引号-

[2] “M.“Ha h n，”O.“B ar bie ri，”F.p.“C 答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答：答 l、 “Ph ys.”A:“M A te r.”S ci.“P ro ce” ss.“82”（2006）

为

--tounicode

arg设置其他值会使文本乱七八糟

有一个在线工具使用这个库，那里生成的html很好，这不是pdf2htmlEX错误，而是配置或版本问题。可能与poppler或fontforge有关

版本：

pdf2htmlEX version 0.14.6
Copyright 2012-2015 Lu Wang <coolwanglu@gmail.com> and other contributors
Libraries: 
  poppler 0.54.0
  libfontforge 20180906
  cairo 1.14.6
Default data-dir: /usr/local/share/pdf2htmlEX
Supported image format: png jpg svg

pdf2htmlEX版本0.14.6
版权所有2012-2015鲁旺和其他贡献者
图书馆：
波普勒0.54.0
libfontforge 20180906
开罗1.14.6
默认数据目录：/usr/local/share/pdf2htmlEX
支持的图像格式：png jpg svg

还尝试使用支持此项目的新存储库并获得相同的结果，请参阅问题：

据您所知，pdf2htmlEX使用了大量字符作为空格，如“'（）+”。因此，将它们全部替换不是一种选择

---

有没有办法让pdf2htmlEX不使用这些字符？

我认为以下两个步骤可以奏效：

使用正则表达式删除不必要的空格和引号

为每个参考放置/添加段落标记，如下所示：

：：之前
[2] 某物

：：之后

---

在浏览器中查看页面时，页面本身是良好的。因为css会修改字母间距。您是否在寻找带有正确句子的原始html而不是呈现版本？是的。输出在浏览器上看起来不错，对我来说是个问题。它不能工作，主要原因有两个：1。这些字符用于嵌入字体，更改它们将导致未知行为。2.从文档中删除所有引号也会删除真实的引号，而引号并不是它可以插入原始html中的唯一字符。