python - 使用 PDFminer 解析 pdf(梵文脚本)会给出错误的输出

Question

<分区>

Answer 1

此问题与 this answer 中讨论的问题非常相似，以及 sample document there 的外观确实也提醒了 document here .

就像另一个问题中的文档一样，此处文档中使用的 Devanagari 脚本字体的 ToUnicode 映射将多个完全不同的字形映射到相同的 Unicode 代码点。因此，基于此映射的文本提取注定会失败，并且大多数文本提取器都依赖于这些信息，尤其是在没有像此处这样的字体编码条目的情况下。

---

一些文本提取器可以使用嵌入字体程序(如果存在)中包含的字形到 Unicode 的映射。但是在此处文档中使用的 Devanagari 脚本字体程序中检查此映射，事实证明它通过 U+f062 将大多数字形与 U+f020 关联，名为“uniF020”等。

这些 Unicode 代码点位于 Unicode 专用区，即它们没有标准化的含义，但应用程序可以随意使用它们。

因此，使用字体程序中包含的 Unicode 映射的文本提取器也不会立即提供可理解的文本。

---

尽管如此，有一个事实可以帮助您大部分从该文档中自动提取文本:多个页面上的 Devanagari script 字体引用了相同的 PDF 对象，因此在所有页面上引用相同的 PDF 对象相同的原始字符标识符或相同的字体程序私有(private)使用 Unicode 代码点引用相同的视觉符号。对于您的文档，我只计算了 5 个字体副本。

因此，如果您发现文本提取器返回字符标识符(忽略所有 toUnicode 映射)或从字体程序返回专用区域 Unicode 代码点，您可以使用其输出并仅根据几张 map 。

---

我还没有使用过这样的文本提取器，所以在 python 上下文中我不知道。但谁知道呢，可能会告诉 pdfminer 或任何其他类似的包(通过某些选项)忽略误导性的 ToUnicode 映射，然后按上面概述的方式使用。