由于 ToUnicode 映射，PDF 文本提取 returns 个错误字符
PDF text extraction returns wrong characters due to ToUnicode map
我正在尝试使用 PDFMiner 从外语 PDF 文件中提取文本，但被 ToUnicode 语句挫败了。即使在普通的 PDF 查看器下，该文件也表现异常。
例如，这是文件中某些文本的屏幕截图：
但是如果我 select 并复制文本，它看起来像这样：
िनरकर
您可以看到几个字符发生了变化，尤其是倒数第二个字符。
毫不奇怪，PDFMiner 提取了不正确的文本。但是每个 PDF 查看器都能正确显示这些数据。我怀疑问题出在 ToUnicode 映射或带有连体字符的问题上。所需的字母应该是 0x915、0x94D、0x937 的序列。 PDFMiner 只报告 0x915，它描述了一个不同的字符。
我需要做什么才能让 PDFMiner 正确提取文本，即提取图像而不是复制粘贴的文本？
这里有一个 link to the PDF 有问题。
简而言之：
您的 PDF 不包含在不使用 OCR 的情况下正确提取文本所需的信息。
详细：
您的 PDF 中的 ToUnicode 映射和 Mangal-Regular 嵌入子集的字体程序中的 Unicode 条目都声称这四个字形
都代表相同的 Unicode 代码点，0x915。
因此，任何不查看绘制的字形（即不尝试 OCR）的文本提取程序都将 return 0x915 用于这些字形中的任何一个。
背景：
您似乎想知道为什么 PDF 查看器可以正确显示文本，但文本提取（复制粘贴或 PDFMiner）不能正确提取。
原因是 PDF 作为一种格式不包含文本本身。它包含指向嵌入式字体程序中字形绘制指令的指针（直接指针或通过映射）。 使用这些指针可以按预期绘制 PDF。
此外，它还可以包含将此类字形指针映射到 Unicode 代码点的额外信息。文本提取程序使用此类额外信息。 对于您的 PDF，这些映射不正确，因此提取的文本不正确。
我正在尝试使用 PDFMiner 从外语 PDF 文件中提取文本，但被 ToUnicode 语句挫败了。即使在普通的 PDF 查看器下，该文件也表现异常。
例如，这是文件中某些文本的屏幕截图：
但是如果我 select 并复制文本，它看起来像这样：
िनरकर
您可以看到几个字符发生了变化，尤其是倒数第二个字符。
毫不奇怪，PDFMiner 提取了不正确的文本。但是每个 PDF 查看器都能正确显示这些数据。我怀疑问题出在 ToUnicode 映射或带有连体字符的问题上。所需的字母应该是 0x915、0x94D、0x937 的序列。 PDFMiner 只报告 0x915，它描述了一个不同的字符。
我需要做什么才能让 PDFMiner 正确提取文本，即提取图像而不是复制粘贴的文本？
这里有一个 link to the PDF 有问题。
简而言之：
您的 PDF 不包含在不使用 OCR 的情况下正确提取文本所需的信息。
详细：
您的 PDF 中的 ToUnicode 映射和 Mangal-Regular 嵌入子集的字体程序中的 Unicode 条目都声称这四个字形
都代表相同的 Unicode 代码点，0x915。
因此，任何不查看绘制的字形（即不尝试 OCR）的文本提取程序都将 return 0x915 用于这些字形中的任何一个。
背景：
您似乎想知道为什么 PDF 查看器可以正确显示文本，但文本提取（复制粘贴或 PDFMiner）不能正确提取。
原因是 PDF 作为一种格式不包含文本本身。它包含指向嵌入式字体程序中字形绘制指令的指针（直接指针或通过映射）。 使用这些指针可以按预期绘制 PDF。
此外，它还可以包含将此类字形指针映射到 Unicode 代码点的额外信息。文本提取程序使用此类额外信息。 对于您的 PDF，这些映射不正确，因此提取的文本不正确。