好的，我已经对这个问题进行了一些研究，但标题表明我不是专家。所以这就是问题所在：我正在使用python和lib pdfminer从pdfs中提取一些文本。
我只尝试过拉丁字符的文档，并且在大多数情况下效果很好，除非字体不是拉丁文/西文字。现在让我感到困惑的文件是使用日文字体的拉丁字符。 Adobe告诉我编码是Adobe-Identity。我得到的只是char的cid，我找不到相关的cidmap。
我知道我没有使用正确的术语，我的意思是pdf告诉我cid=3我知道char是一个空格。我已经为0x00-0xFF范围内的字符手动编写了地图。一些消息来源告诉它匹配“mac-roman”编码，其他不同意见。其他消息来源称它与OpenType映射匹配，但我找不到0xFF以外的任何内容。我有cids＆gt; 3000。
你可以说我很困惑，所以你被邀请纠正我的术语，但我想要的是一张与我自己匹配的地图，但扩展到范围0x0100-0xFFFF。
ETA：指向错误的链接pdf http://www.sas.upenn.edu/~jtigay/JapanVol.pdf
ETA2：我发现这个ftp://ftp.oreilly.com/pub/examples/nutshell/cjkv/adobe/aj14.tar.Z存档中的cid2code.txt是我正在寻找的那种地图。但对于所有这些字体，cid列似乎“移动”了两个：cid1映射到空格
ETA3：更正编码
答案 0 :(得分：3)
您可能正在搜索Adobe开发人员支持技术说明＃5078
中提供的表格结合技术说明＃5014提供的背景知识
很遗憾，您还没有提供错误的文件您;因此，我无法检查链接是否合适。
修改
当您更正了问题并且现在要求the special-purpose Adobe-Identity-0 ROS 时（“ROS”是/ Registry，/ Ordering和/ Supplement的缩写，它代表存在的三个/ CIDSystemInfo字典元素在CIDFont和CMap资源中）而不是 Adobe-Japan1 - ?,上面的链接不再适合您了。不幸的是，只要没有适用的公共ROS， Adobe-Identity 似乎就是首选的ROS。因此，对于地图CID到unicode的问题似乎没有通用的答案。
此外，PDF中 Times 字体的 / ToUnicode 地图如下所示：
/CIDInit /ProcSet findresource begin
12 dict begin
begincmap
/CIDSystemInfo <<
/Registry (Adobe)
/Ordering (UCS)
/Supplement 0
>> def
/CMapName /Adobe-Identity-UCS def
/CMapType 2 def
1 begincodespacerange
<0000><FFFF>
endcodespacerange
endcmap
CMapName currentdict /CMap defineresource pop
end
end
（这里CIDSystemInfo与PDF字体对象本身有趣的不同，Adobe-Identity-0。）
根据PDF规范ISO 32000-1:2008第9.10.3节，
它应使用beginbfchar，endbfchar，beginbfrange和endbfrange运算符来定义从字符代码到以UTF-16BE编码表示的Unicode字符序列的映射。
因此，没有定义可用的映射，根据相同的规范与这些字体的其他方面相结合意味着
无法确定字符代码的含义，在这种情况下，符合本标准的读者可以选择自己选择的字符代码。