使用Java从pdf文件提取文本时面临的问题

Question

无法从具有客户加密字体的pdf中提取文本，该字体可以通过Adobe Reader中的文件->属性->字体进行标识。 其中一种字体称为C0EX02Q0_22类型：Type 3编码：自定义实际字体：C0EX02Q0_22实际字体类型：Type 3

让我知道有什么方法可以从此类pdf文件中提取文本内容。 目前，我正在使用pdf实用工具中的PDFText2HTML。 在提取此类pdf文件时获取“ÁÙÅ@ÅÕãÉ”之类的值

样本pdf： tesis completa.pdf

在此pdf中，您可以看到所使用的字体具有自定义编码，例如：T3Font_1（请通过File-> Properties-> Adob​​e Reader中的Font进行引用）由于无法上传我的pdf更新了具有相同问题的样本

Answer 1

如标准中所述提取

PDF规范ISO 32000-1在9.10节中描述了文本内容的提取，如果PDF提供了所需的信息并且正确地进行了提取，那么如何进行文本提取。

但是，使用此算法只能在文档的几个页面范围内使用（即摘要，内容列表，感谢函和Publicación7部分），但在其他范围内则导致乱码，例如8QLYHUVLWDWGH/OHLGD Universitat de Lleida 。 查看有问题的PDF对象可以清楚地看到所需的信息已丢失（没有ToUnicode映射，并且在Encoding基于WinAnsiEncoding的情况下 ，所有使用中的位置均通过Differences映射到非标准名称）。

同样，尝试使用Adobe Reader中的复制粘贴来提取文本会返回该乱码。 通常，这表明不可能进行通用提取。

解决方法

但是，检查PDF对象和常规文本提取尝试的输出会产生这样的想法：对于所有使用的字体，提取为乱码的文本的实际编码是相同的，并且是一些基于ASCII的编码，偏移了一个常数：在Universitat de Lleida的提取的8QLYHUVLWDWGH/OHLGD结果的每个字符中添加'U' - '8' 。 只要文本仅使用ASCII字符，向从文档中其他位置提取的文本的char中添加相同的常量也将导致正确的文本。

用这种简单的方法无法正确映射ASCII范围以外的字符，但它们似乎总是被提取为相同的错误字符，例如，字形“ó”始终被提取为“ y”。

因此，您可以通过以下方法从该（以及类似创建的）文档中提取文本：首先使用标准算法提取文本，然后在乱码部分（可能可以由字体名称标识）中，通过添加'U' - '8'替换每个字符'U' - '8'表示较小的值，并通过根据某些映射进行替换以获得较高的值。

正如您在问题中提到的Java一样，我已经通过iText和PDFBox文本提取来运行您的文档，并且带有或不带有'U' - '8'移位，结果看起来很有希望。 我认为其他通用Java PDF库也将起作用。

另一个解决方法

您可以尝试通过将ToUnicode映射条目添加到相关字体中来尝试修复相关PDF，而不是创建自定义提取例程。 之后，普通的文本提取程序应能够正确提取内容。