无法从 pdf 复制准确的印地语内容

Question

我无法从 pdf 文件中复制印地语内容。 当我尝试复制/粘贴该内容时，它会更改为不同的印地语字符。

例子-

原文-निर्वाचक

粘贴后-ननरररचक

它是这样显示的。

任何人都可以帮助我获得确切的印地语字符。

Answer 1

这个问题和this answer讨论的问题类似，sample document there的出现也让人想起document here：

简而言之

您的文档本身提供的信息例如：标题行中的字形“निर्वाचक”代表文本“ननरररचक”。您应该向文档的来源询问字体信息不会误导的文档版本。如果这不可能，您应该使用 OCR。

详细说明

第一页的顶行是通过页面内容流中的以下操作生成的：

/9 239 Tf
( !"#$%&) Tj 

第一行选择大小为 239 的名为 9 的字体（页面开头的操作会缩小所有内容）。第二行导致打印字形。使用该字体的自定义编码在括号之间引用这些字形。

PDF 第一页上的字体 9 包含 ToUnicode 映射。这张地图特别是地图

<20> <20> <0928>
<21> <21> <0928>
<22> <22> <0930>
<23> <23> <0930>
<24> <24> <0930> 

即代码 0x20 (' ') 和 0x21 ('!') 都映射到 Unicode 代码点 0x0928 ('न') 和代码 0x22 ('"')、0x23 ('#') 和 0x24 ('$' ) 全部到 Unicode 代码点 0x0930 ('र')。

因此，( !"#$%&) 的内容显示为“निर्वाचक”，完全正确（根据文档中的信息）被提取/复制并粘贴为“ननरररचक”。