PDF 文本提取问题 - 字体/大小写不一致

Question

我正在尝试从 pdf 书中提取文本并继续运行一个问题，即复制的文本部分在粘贴到文本文档时无法保留正确的大写属性。我有权复制这本书，也有使用所有必要字体的许可。起初我以为问题是由未嵌入的字体引起的，但我检查了一下，所有字体似乎都是嵌入的子集。在 pdf 中，使用了 100 多种具有以下属性之一的字体:

TrueType 编码:Ansi TrueType (CID) 编码:Identity-H 类型 1 (CID) 编码:Identity-H 类型 1 编码:自定义

书中的语言包括英语、德语、西类牙语和意大利语。在德国，大写是绝对重要的。与小写字母相比，它更容易丢失大写字母的属性。

错误示例为:WELD -> weld

我真的不知道该怎么办。我已经要求这本书的所有者嵌入他作为子集完成的字体，但问题仍然存在。我曾尝试将 pdf 文件保存为后记，然后通过蒸馏器运行它，这正确地解决了大部分问题，但在某些情况下导致文本被不同的字符或数字替换为头骨。我知道 CID 字体可能是导致此问题的原因，但我遇到过非 CID 字体产生相同结果的实例。

是什么导致了这个问题？字体是子集还是完全嵌入？有没有更好的方法将 native 文件 (InDesign) 保存为 pdf，以便更好地提取字体？它是否与非 unicode 字体有关？如果是，是否有不需要所有者选择不同字体的替代方案？

非常感谢任何和所有帮助。

Answer 1

这确实很有趣。 OP 提供的示例 PDF 确实明显包含大写字符，其中一些仅在大写行中，一些在混合行中，Adobe Reader 将其提取为小写字符。

你想知道

What could be causing this issue?

作为一个例子，让我们看看 Pelle Più bella

在页面内容中，该短语实际上看起来像大写字母的视觉表示:

/T1_0 1 Tf
-0.025 Tc 12 0 0 12 379.5354 554.8809 Tm
(PELLE PI\331 BELLA)Tj

查看使用的字体 T1_0(DIN-Bold 子集)，我们看到它声称使用 WinAnsiEncoding，这也表明对这些字符代码的解释页面流为大写字母

但是字体还有一个ToUnicode映射，这个映射映射

<41> <0061> — 'A' → a
<42> <0062> — 'B' → b
<43> <0043> — 'C' → C
<44> <0044> — 'D' → D
<45> <0065> — 'E' → e
<49> <0069> — 'I' → i
<4C> <006C> — 'L' → l
<4D> <004D> — 'M' → M
<4E> <006E> — 'N' → n
<50> <0050> — 'P' → P
<52> <0072> — 'R' → r
<53> <0053> — 'S' → S
<54> <0074> — 'T' → t
<D9> <00F9> — 'Ù' → ù

(我只提取了WinAnsiEncoding中代表大写字母的字符编码的映射。)

Is there a better way to save the native file (InDesign) to a pdf that will allow for better font extraction?

抱歉，我不太喜欢 InDesign。但该软件来自 Adob​​e，如果这是 InDesign 中的错误或它导出为 PDF，我会感到惊讶。会不会是 InDesign 文件中的某些信息将 PELLE PIÙ BELLA 标记为 Pelle Più bella，InDesign 然后在 PDF 导出中将其转换为此 ToUnicode 映射？

Does it have to do with non-unicode fonts and if so is there an alternative that does not require the owner to select different fonts?

如果您的示例文档有三种字体，它们都带有 Encoding 条目 WinAnsiEncoding， 它们都是嵌入的子集，但只有两个具有这样的有趣的 ToUnicode 映射，DIN-Medium 和 DIN-Bold，而 Helvetica 没有 ToUnicode 映射。所以它在某种程度上与字体有关。具体如何我不能说。

解决方法，如果您的示例文档是删除字体字典中的 ToUnicode 映射。

例如，使用 Java 和 iText 库，您可以这样做:

PdfReader reader = new PdfReader(INPUT);
for (int i = 1; i <= reader.getXrefSize(); i++)
{
    PdfObject obj = reader.getPdfObject(i);
    if (obj != null && obj.isDictionary())
    {
        PdfDictionary dic = (PdfDictionary) obj;
        if (PdfName.FONT.equals(dic.getAsName(PdfName.TYPE)))
        {
            dic.remove(PdfName.TOUNICODE);
        }
    }
}
PdfStamper stamper = new PdfStamper(reader, new FileOutputStream(OUTPUT));
stamper.close();
reader.close();

经过此操作后，Adobe Reader 文本提取结果为

PELLE PIÙ BELLA

这显然只适用于示例文档中的情况。

如果在您的其他文档中混合了多种字体，其中一些需要它们各自的 ToUnicode 映射来提取文本，而另一些则类似于上面的麻烦字体，您可能需要添加一些额外的条件Java 代码仅删除错误字体定义中的 map 。