PDF toUnicode cmap table 恢复

Question

我有多个没有 'toUnicode' cmap table 的 pdf 文件。缺少 cmap table 限制我从 pdf 文件复制文本。

据我所知，可以在 pdf 文件中添加 'toUnicode' 映射，但在我的情况下，添加静态值不是一个选项，不同的文件具有不同的字形代码。

所以问题如下。是否有可能恢复 'toUnicode' cmap table，也许是在 Ghostscript 的帮助下，或者是否有任何选项？

谢谢。

Answer 1

不，您不能使用 Ghostscript 将 ToUnicode CMap 添加到现有 PDF 文件。

在一般情况下，你根本做不到，除非手动。正如您在问题中指出的那样，将构造不同的文件以使用不同的字符代码->字形映射，这意味着字符代码到 Unicode 映射也将不同。

由于字符代码的选择通常是基于字形在文件中使用的顺序（所以第一个字形是字符代码1，第二个是字符代码2等）你可以看到没有前景确定 'one size fits all' 解决方案。

您可以使用某种 OCR 来扫描呈现的输出，识别每个字形并找到它的 Unicode 代码点。然后您可以通过识别字形的字符代码并将其映射到 Unicode 值来构建 CMap。

然后，您可以将 ToUnicode CMap 添加到 PDF 文件，并使用 ToUnicode CMap 的对象编号更新字体描述符。

Ghostscript 不会为您做任何这些，而且我还没有听说过任何工具可以。