Ghostscript pdf至txt提取

Question

我正在Windows上使用Ghostscript 9.18，並嘗試使用-sDEVICE = txtwrite從pdf文件中提取文本我的命令如下所示：

gswin32c -dBATCH -dNOPAUSE -sDEVICE=txtwrite -dFirstPage=1 -dLastPage=1 -sOutputFile=test.txt test.pdf -c quit

但是我總是得到“找不到“ ArialBlack”的CID”，我試圖通過寫入fontmap文件來提供cid：

/Arial << /FileType /TrueType /Path (c:\windows\fonts\arial.ttf) /SubfontID 0 /CSI [(Identity) 0] >> ;
/ArialBlack << /FileType /TrueType /Path (c:\windows\fonts\arial.ttf) /SubfontID 0 /CSI [(Identity) 0] >> ;

但似乎看不到條目，​​仍然要求提供提示信息。 我知道一些版本，字體映射只是一個文件，但是開發人員將其移到了庫中。 當我使用-sDEVICE = png16m時，它通常可以讀取pdf並打印帶有良好字符的bmp。

也許有人知道答案？

Answer 1

Windows版本的Ghostscript的默認設置已經有一段時間了，即將支持文件包括在ROM文件系統中，即作為二進制可執行文件的一部分。

如果需要將支持文件從外部添加到磁盤上（例如，要修改它們），可以從我們的Git存儲庫中獲取支持文件。

可以使用-I（包含路徑）開關來包含fontmap和CIDFmap文件。

請注意，CID與CIDFont不同。 CIDFOnt 使用 CID，它不是“ CID”，此處的術語很重要。 在我看來，Ghostscript似乎在告訴您無法找到CIDFont，而不是CID。

聽起來您的PDF文件使用的是CIDFont，但沒有嵌入它，這是一種非常糟糕的做法，可能會導致呈現問題。 對於txtwrite，很可能也無法有效地提取文本。