如何使PDF文本提取正常工作？

Question

我需要從羅馬尼亞語的PDF中提取文本。 使用pdfBox或Snowtide無法正確提取符號：ȚțȘșĂăÎîâ。

這是一個無效的示例文件： ftp : //ftp.logos.md/Biblioteca/_Colectie_RO/2nefon.pdf

有什么建議么？

Answer 1

恐怕OP指向的PDF（ 2nefon.pdf ）沒有提供根據規范提取文本所需的信息。

嘗試從Adobe Reader復制和粘貼會導致特殊字符被錯誤地導出，並且Adobe Reader包含相當好的文本提取功能，因此這已經是一個不好的信號。

檢查文件將顯示問題。 例如，讓我們看一下標題

內容流的對應段為：

/F1 24 Tf
-148.44 -26.16 TD
(VIA}A  {I  ~NV|}|TURILE) Tj
296.88 0 TD
( ) Tj
-308.16 -29.28 TD
(SFANTULUI  IERARH  NIFON) Tj

讓我們檢查使用的字體F1 ：

469 0 obj
<< 
/Type /Font 
/Subtype /TrueType 
/Name /F1 
/BaseFont /TimesR 
/FirstChar 32 
/LastChar 255 
/Widths [ 250 333 444 722 500 833 778 [...] 500 500 500 500 500 500 500 ] 
/Encoding /WinAnsiEncoding 
/FontDescriptor 468 0 R 
>> 
endobj 

因此，該字體聲稱使用WinAnsiEncoding而不進行任何更改（沒有Differences ）。

最后看一下字體描述符：

468 0 obj
<< 
/Type /FontDescriptor 
/FontName /TimesR 
/Flags 34 
/FontBBox [ -167 -307 1009 913 ] 
/StemV 90 
/ItalicAngle 0 
/CapHeight 913 
/Ascent 913 
/Descent -307 
/FontFile2 474 0 R 
>> 
endobj

這里沒有暗示上述WinAnsiEncoding可能不是全部事實。

根據PDF規范ISO 32000-1

合格的讀者可以按照給定的優先級使用這些方法，將字符代碼映射到Unicode值。 特別是帶標簽的PDF文檔，應至少提供以下方法之一（請參見14.8.2.4.2，“帶標簽的PDF中的Unicode映射”）：

• 如果字體字典包含ToUnicode CMap（請參見9.10.3，“ ToUnicode CMaps”），請使用該CMap將字符代碼轉換為Unicode。

• 如果字體是使用預定義編碼MacRomanEncoding ， MacExpertEncoding或WinAnsiEncoding之一的簡單字體，或者其編碼格式的Differences數組僅包含取自Adobe標准拉丁字符集的字符名稱和Symbol中的命名字符集，字體（請參閱附件D）：

  a）根據表D.1和字體的Differences數組將字符代碼映射為字符名稱。

  b）在Adobe字形列表中查找字符名稱（請參見參考書目）以獲得相應的Unicode值。

• 如果字體是復合字體[...縮寫，因為字體F1不是復合字體...]

如果這些方法無法產生Unicode值，則無法確定字符代碼代表什么，在這種情況下，合格的閱讀者可以選擇他們選擇的字符代碼。

（第9.10.2節將字符代碼映射到Unicode值）

因此，在報告文檔聲稱這兩行內容時，文本提取和復制粘貼將完全遵循規范：

VIA}A {I ~NV|}|TURILE
SFANTULUI IERARH NIFON

但是，您可能要檢查是否將Ă （帶有短音的大寫字母 A）始終導出為|。 ; 這實際上並非不可能，在上個世紀的一段時間中，將特殊字符映射到符號的字符代碼是很普遍的。 如果確實如此，提取文本后進行全局搜索並替換將為您提供所需的文本。

Answer 2

如何使用iText： http : //itextpdf.com/

“iText®是一個開放源代碼庫，可讓您創建和處理PDF文檔。它使開發人員希望通過動態PDF文檔生成和/或處理來增強Web應用程序和其他應用程序。”