从 PDF 文件复制+粘贴希伯来文本会导致最后的字母被错误复制
Copy+pasting Hebrew text from PDF files results in final letters being incorrectly copied
所以我得到了一些希伯来语的 PDF 文件，我想将其翻译成英文，当我尝试将 PDF 文件中的文本复制并粘贴到文本编辑器时，全部 的希伯来语末尾字母被错误复制。
我找到了 this 个问题，但没有找到解决方案，那个问题只是在谈论一个被错误阅读的特定最后一封信，它只指一个特定的图书馆。
我尝试从 acrobat reader 和 chrome PDF 查看器进行复制和粘贴，但无法使用它们正确复制内容。
我发现的另一件有趣的事情是，当你在浏览器中按 Ctrl+F（我在 chrome 上试过）并搜索最后一个字母 "Pe" 例如，它会给出以下结果常规 "Pe" 和最终 "Pe"（反之亦然，当您搜索常规 "Pe" 时），即使它们具有不同的代码点（以及 ANSI 代码页中的不同代码） ), 这也很奇怪。 （所有最后的字母和它们对应的常规字母都是一样的）
所以问题是 - 有人知道为什么会这样吗？
我知道可能没有 actual 代码点映射到字形，但在那种情况下，字符是如何呈现的？我对这个主题不是很熟悉，所以我很感激任何解释。此外，任何能让我用最后字母提取文本的好的解决方案都将非常感激，因为我想解析文本并且弄乱字母会导致单词不完整。
编辑：
根据 weibeld 的要求，我添加了一些复制的单词和相应的正确单词。
我还将添加他们的 hexdump。
E1 F7 F8 1B בקר. # Should be בקרן (Final letter "Nun") Switches every
final Nun with 1B instead of EF according to the windows 1255 code page.
F2 F1 F7 E9 E9 17 עסקיי. # Should be עסקיים (Final letter "Mem") Switches
every final Mem with 17 instead of ED.
谢谢！
PDF 参考在很大程度上没有提及对非拉丁非 CJK 文本进行编码以进行文本提取的正确方法（none 渲染字形需要这样做），但基本上有两种方法可以做到这一点：第一个是有一个 ToUnicode table（对于简单字体和复合字体），第二个，对于简单字体，是指定一个带有差异数组的编码字典，用来自 Adobe Registry 的名称标识每个字形（例如 https://github.com/adobe-type-tools/agl-aglfn/blob/master/glyphlist.txt).
Identity-H 编码意味着复合（双字节）字体，它可能具有 ToUnicode table。自定义编码意味着具有差异数组的编码字典。标准编码意味着没有指定预定义（或自定义）编码。
这三者的混合意味着一个非常混乱的起源。
因此，根据您的编辑，PDF 文件似乎使用了一些奇怪的（非 ASCII 兼容的）希伯来语编码来提取文本，它将字母的最终形式放在 1X 区域在 ASCII 中，不可打印的控制字符是。
如果您只想重建 PDF 中的文本，最简单的解决方案可能是不更改 PDF，而是在从 PDF 复制文本后用正确的代码替换错误的代码。
例如，将从PDF复制的文本粘贴到file，然后：
cat file | tr '3' '7' | tr '7' '5' >out_file
也就是说，每个错误的最后一个字母一个 tr。数字 033、357 等只是您用 hexdump 发现的十六进制字节 1B、EF 等的八进制形式。只需找出剩余的映射并将它们添加到链中即可。然后 out_file 应该包含正确编码的文本，您可以使用某些文本编辑器使用 Windows-1255.
打开它
所以我得到了一些希伯来语的 PDF 文件，我想将其翻译成英文，当我尝试将 PDF 文件中的文本复制并粘贴到文本编辑器时，全部 的希伯来语末尾字母被错误复制。
我找到了 this 个问题，但没有找到解决方案，那个问题只是在谈论一个被错误阅读的特定最后一封信，它只指一个特定的图书馆。
我尝试从 acrobat reader 和 chrome PDF 查看器进行复制和粘贴，但无法使用它们正确复制内容。
我发现的另一件有趣的事情是，当你在浏览器中按 Ctrl+F（我在 chrome 上试过）并搜索最后一个字母 "Pe" 例如，它会给出以下结果常规 "Pe" 和最终 "Pe"（反之亦然，当您搜索常规 "Pe" 时），即使它们具有不同的代码点（以及 ANSI 代码页中的不同代码） ), 这也很奇怪。 （所有最后的字母和它们对应的常规字母都是一样的）
所以问题是 - 有人知道为什么会这样吗？
我知道可能没有 actual 代码点映射到字形，但在那种情况下，字符是如何呈现的？我对这个主题不是很熟悉，所以我很感激任何解释。此外，任何能让我用最后字母提取文本的好的解决方案都将非常感激，因为我想解析文本并且弄乱字母会导致单词不完整。
编辑：
根据 weibeld 的要求，我添加了一些复制的单词和相应的正确单词。
我还将添加他们的 hexdump。
E1 F7 F8 1B בקר. # Should be בקרן (Final letter "Nun") Switches every
final Nun with 1B instead of EF according to the windows 1255 code page.
F2 F1 F7 E9 E9 17 עסקיי. # Should be עסקיים (Final letter "Mem") Switches
every final Mem with 17 instead of ED.
谢谢！
PDF 参考在很大程度上没有提及对非拉丁非 CJK 文本进行编码以进行文本提取的正确方法（none 渲染字形需要这样做），但基本上有两种方法可以做到这一点：第一个是有一个 ToUnicode table（对于简单字体和复合字体），第二个，对于简单字体，是指定一个带有差异数组的编码字典，用来自 Adobe Registry 的名称标识每个字形（例如 https://github.com/adobe-type-tools/agl-aglfn/blob/master/glyphlist.txt).
Identity-H 编码意味着复合（双字节）字体，它可能具有 ToUnicode table。自定义编码意味着具有差异数组的编码字典。标准编码意味着没有指定预定义（或自定义）编码。
这三者的混合意味着一个非常混乱的起源。
因此，根据您的编辑，PDF 文件似乎使用了一些奇怪的（非 ASCII 兼容的）希伯来语编码来提取文本，它将字母的最终形式放在 1X 区域在 ASCII 中，不可打印的控制字符是。
如果您只想重建 PDF 中的文本，最简单的解决方案可能是不更改 PDF，而是在从 PDF 复制文本后用正确的代码替换错误的代码。
例如，将从PDF复制的文本粘贴到file，然后：
cat file | tr '3' '7' | tr '7' '5' >out_file
也就是说，每个错误的最后一个字母一个 tr。数字 033、357 等只是您用 hexdump 发现的十六进制字节 1B、EF 等的八进制形式。只需找出剩余的映射并将它们添加到链中即可。然后 out_file 应该包含正确编码的文本，您可以使用某些文本编辑器使用 Windows-1255.