我有一个包含有价值的文字信息的PDF文件。
问题是我无法提取文本，我得到的只是一堆乱码。如果我将PDF阅读器中的文本复制并粘贴到文本文件中，也会发生同样的情况。甚至文件 - ＆gt;在Acrobat Reader中另存为文本失败。
我已经使用了所有可以使用的工具，结果是一样的。我相信这与字体嵌入有关，但我不知道到底是什么？
我的问题：
答案 0 :(得分：22)
生成的某些PDF文件没有对从中成功提取文本至关重要的特殊信息。即使是Adobe工具。基本上，这些文件不包含字形到字符的映射信息。
此类文件将被正确显示和打印（因为字符的形状已正确定义），但无法正确复制/提取文本（因为没有关于使用的字形/形状含义的信息）。
例如，当使用“最小文件大小”预设时，Distiller会生成此类文件。
除了OCR之外，没有其他方法可以从这些文件中检索文本，我担心。
原始答案提到“有关使用的字形/形状含义的信息”。此信息应包含在称为/ToUnicode表的PDF结构中。对于作为子集嵌入的每种字体都需要这样的表，并使用非标准（Custom）编码。
为了快速评估文本内容的可提取性，您可以使用pdffonts命令行实用程序。这将以表格形式打印有关PDF使用的每种字体的一系列项目。 /ToUnicode表的存在由标题为uni的列表示。
一些示例输出：
$ kp@mbp:git.PDF101.angea> pdffonts handcoded/textextract/textextract-good.pdf
name type encoding emb sub uni object ID
------------------------ ----------- ---------- --- --- --- ---------
BAAAAA+Helvetica TrueType WinAnsi yes yes yes 12 0
CAAAAA+Helvetica-Bold TrueType WinAnsi yes yes yes 13 0
$ kp@mbp:git.PDF101.angea> pdffonts handcoded/textextract/textextract-bad1.pdf
name type encoding emb sub uni object ID
------------------------ ----------- ---------- --- --- --- ---------
BAAAAA+Helvetica TrueType WinAnsi yes yes no 12 0
CAAAAA+Helvetica-Bold TrueType WinAnsi yes yes no 13 0
$ kp@mbp:git.PDF101.angea> pdffonts handcoded/textextract/textextract-bad2.pdf
name type encoding emb sub uni object ID
------------------------ ----------- ---------- --- --- --- ---------
BAAAAA+Helvetica TrueType WinAnsi yes yes yes 12 0
CAAAAA+Helvetica-Bold TrueType WinAnsi yes yes no 13 0
使用good.pdf可以正确提取两种字体的文本内容，因为这两种字体都有一个附带的/ToUnicode表。
对于bad1.pdf和bad2.pdf，文本提取仅对两种字体中的一种成功，而另一种则失败，因为只有一种字体具有/ToUnicode表。
我Kurt Pfeifle最近创建了一个 series of hand-coded PDF files ，以展示PDF源代码中现有的，错误的，操纵的或缺失的/ToUnicode表的影响。这些PDF经过广泛评论，适合在文本编辑器的帮助下进行探索。以上pdffonts输出示例是在这些手动编码文件的帮助下创建的。 （还有一些PDF显示不同的结果，有兴趣的读者可能想要探索...）
答案 1 :(得分：11)
我去了很多人寻求帮助，而OCR是解决这个问题的唯一方法
答案 2 :(得分：2)
我遇到了同样的问题。将其上传到Google云端硬盘，使用Google文档打开并从中复制文本对我有用。