Python pdf2txt的输出中是什么（cid:51）？

所以我试图从pdf文件中提取文本，我需要它的位置、宽度、高度和字体

我尝试了很多，但最有用和最完整的解决方案似乎是，在这种情况下，更确切地说

我遵循文档和示例，尝试使用以下命令从我的pdf中提取文本

了解更多信息

：

pdf2txt.py -Y normal -t xml -o buttons.xml buttons.pdf

输出

buttons.xml

如下所示：

<?xml version="1.0" encoding="utf-8" ?>
  <pages>
      <page id="1" bbox="0.000,0.000,799.900,449.944" rotate="0">
      <textbox id="0" bbox="164.979,213.240,247.680,235.944">
          <textline bbox="164.979,213.240,247.680,235.944">
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="164.979,213.240,178.978,235.944" size="22.704">(cid:51)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="173.280,213.240,187.278,235.944" size="22.704">(cid:76)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="181.315,213.240,195.313,235.944" size="22.704">(cid:72)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="189.350,213.240,203.348,235.944" size="22.704">(cid:89)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="194.795,213.240,208.793,235.944" size="22.704">(cid:85)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="203.096,213.240,217.094,235.944" size="22.704">(cid:3)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="206.987,213.240,220.986,235.944" size="22.704">(cid:52)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="219.684,213.240,233.682,235.944" size="22.704">(cid:86)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="228.237,213.240,242.235,235.944" size="22.704">(cid:89)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="233.682,213.240,247.680,235.944" size="22.704">(cid:76)</text>
              <text></text>
          </textline>
          </textbox>
          <textgroup bbox="164.979,213.240,419.659,235.944">
              <textbox id="0" bbox="164.979,213.240,247.680,235.944" />
          </textgroup>
      </page>
  </pages>

但是，

assert

失败并触发事件

PDFUnicodeNotDefined

，该事件被捕获并调用：

def handle_undefined_char(self, font, cid):
    if self.debug:
        print >>sys.stderr, 'undefined: %r, %r' % (font, cid)
    return '(cid:%d)' % cid

这就是我如何以一个包含所有这些内容的文件结束（cid:%d）

---

我对python相当陌生，我试图找出一种识别这些字符的方法，它应该是一个no？有人知道吗？

要理解如何解释cid，您需要了解两件事：

有关字体的注册表订购补充（ROS）信息。它通常类似于“Adobe-Japan1-5”，是存储在字体中的信息属性。ROS决定如何解释CID

使用ROS信息，选择一个兼容的CMap并解码。您可以在以下位置找到Adobe定义的ROSE的CMap文件：

关于发明人直接提供的CID和CMAP的更多信息，请访问

---

查看更多信息

我发布在github repo上，但仍然没有答案…这是我创建的一个repo，可以轻松地从pdf ans psd文件（图像和文本转换为json）中提取内容，但是我的问题仍然没有解决。只是想知道sourceforge上是否不再提供.ROS信息，您可以在github上找到它-

def handle_undefined_char(self, font, cid):
    if self.debug:
        print >>sys.stderr, 'undefined: %r, %r' % (font, cid)
    return '(cid:%d)' % cid