ios - 从 PDF 读取特殊字符字节到 unichar 或 NSString

Question

首先，这个解决方案不适用于连字: Convert or Print CGPDFStringRef string

我正在从 PDF 中读取文本并尝试将其转换为 NSString。我可以使用 Apple 的 CGPDFScanner 获取 CGPDFString 形式的文本字节数组。 “fi”连字字符给我带来了麻烦。当我在调试器中查看字节数组时，我看到一个“\f”

因此，为了简单起见，我们可以说我有这个字符:

unsigned char myLigatureFromPDF = '\f';

最终我想将其转换为这个(“fi”连字的 unicode 值):

unichar whatIWant = 0xFB01;

这是我失败的尝试(顺便说一句，我从 PDFKitten 复制了此内容):

 const char str[] = {myLigatureFromPDF, '\0'};
    NSString* stringEncodedLigature = [NSString stringWithCString:str encoding:NSUTF8StringEncoding];
    unichar encodedLigature = [stringEncodedLigature characterAtIndex:0];

如果有人能告诉我如何做到这一点，那就太好了 另外，作为旁注，调试器如何解释未编码的字节数组，换句话说，当我将鼠标悬停在数组上时，它如何知道显示 '\f'

谢谢!

Answer 1

每个 PDF 解析器的功能都受到 PDF 规范的一个重要点的限制:文字字符串中的字符被编码为字节或单词，但编码不需要包含在文件中.

例如，如果包含一个字体子集，其中代码“1”对应于“h”的图像(字符字形)，而代码“2”映射到一个字形“a”，字符串 (\1\2\1\2) 将按预期显示“haha”。 但是如果 PDF 不包含有关该字体中的字形如何对应 Unicode 的更多信息，则字符串解码器无法找到 "的正确字符代码字形 #1”和“字形 #2”。

似乎您的测试 PDF 确实包含该信息——否则，它如何为“常规”字符推断出正确的字符？ -- 但在这种情况下，为方便起见，“常规”字符只是未重新映射到其他二进制代码。此外，再次为方便起见，单个字符“fi”的字形被重新映射为原始字体(或包含在文件中的子集中)的“0x0C”。但是，同样，如果文件不包含字符代码和 Unicode 值之间的转换表，则无法检索正确的代码。

以上内容适用于所有 PDF 和字符串。如果 PDF 中的字体定义包含编码，您的字符串提取方法应该使用它；如果 PDF 包含字体的 /ToUnicode 表，同样，您的方法应该使用它。如果两者都不包含，您将获得文字字符串内容(而且，您可能不会被告知使用了哪种方法以及它的可靠性)。

作为最后的脚注:在 TeX 和 LaTeX 字体中，连字被映射到较低的 ASCII 代码(以及一些其他非 ASCII 代码，例如 curl 引号)。您似乎正在阅读通过此处的 TeX 创建的 PDF——但这只能从该特定编码推断。此外，即使您事先知道 PDF 是通过 TeX 生成的，也不能保证它确实使用了这种特定编码，因为翻译或不翻译的决定由 PDF 生成器自行决定，而不是 TeX 本身。