由于 ToUnicode 映射，PDF 文本提取返回错误字符

Question

我正在尝试使用 PDFMiner 从外语 PDF 文件中提取文本，但被 ToUnicode 语句挫败。即使在普通的 PDF 查看器下，该文件的行为也很奇怪。

例如，这是文件中某些文本的屏幕截图：

但如果我选择并复制文本，它看起来像这样：

िनरकर

您可以看到几个字符发生了变化，尤其是倒数第二个字符。

毫不奇怪，PDFMiner 提取了不正确的文本。但是每个 PDF 查看器都能正确显示这些数据。我怀疑这个问题要么是 ToUnicode 映射，要么是带有连体字符的东西。所需的字母应该是 0x915、0x94D、0x937 的序列。 PDFMiner 只报告 0x915，它描述了一个不同的字符。

我需要做什么才能让 PDFMiner 正确提取文本，即在图像中而不是在复制粘贴的文本中？

这是一个有问题的link to the PDF。

Answer 1

简而言之：

您的 PDF 不包含在不使用 OCR 的情况下正确提取文本所需的信息。

详细说明：

ToUnicode 映射和 PDF 中嵌入的 Mangal-Regular 子集的字体程序中的 Unicode 条目都声称这四个字形

都表示相同的 Unicode 代码点，0x915。

因此，任何不查看绘制的字形（即不尝试 OCR）的文本提取程序都将为这些字形中的任何一个返回 0x915。

背景：

您似乎想知道为什么 PDF 查看器可以正确显示文本，但无法正确提取文本（复制和粘贴或 PDFMiner）。

原因是 PDF 作为一种格式不包含文本本身。它包含指向嵌入式字体程序中的字形绘制指令的指针（直接指针或通过映射）。 使用这些指针可以按预期绘制 PDF。

此外，它还可以包含将字形指针映射到 Unicode 代码点的额外信息。这些额外的信息被文本提取程序使用。 如果是您的 PDF，这些映射不正确，因此提取的文本不正确。