Question

所以我试图从pdf文件中提取文本，我需要它的位置，宽度，高度，字体。

我尝试了很多，但最有用和最完整的解决方案看起来是PDFMiner，在这种情况下，更确切地说是pdf2txt.py。

我已按照文档和示例操作，并尝试使用此命令从我的pdf中提取文本Learn More：

pdf2txt.py -Y normal -t xml -o buttons.xml buttons.pdf

输出buttons.xml看起来像这样：

<?xml version="1.0" encoding="utf-8" ?>
  <pages>
      <page id="1" bbox="0.000,0.000,799.900,449.944" rotate="0">
      <textbox id="0" bbox="164.979,213.240,247.680,235.944">
          <textline bbox="164.979,213.240,247.680,235.944">
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="164.979,213.240,178.978,235.944" size="22.704">(cid:51)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="173.280,213.240,187.278,235.944" size="22.704">(cid:76)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="181.315,213.240,195.313,235.944" size="22.704">(cid:72)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="189.350,213.240,203.348,235.944" size="22.704">(cid:89)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="194.795,213.240,208.793,235.944" size="22.704">(cid:85)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="203.096,213.240,217.094,235.944" size="22.704">(cid:3)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="206.987,213.240,220.986,235.944" size="22.704">(cid:52)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="219.684,213.240,233.682,235.944" size="22.704">(cid:86)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="228.237,213.240,242.235,235.944" size="22.704">(cid:89)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="233.682,213.240,247.680,235.944" size="22.704">(cid:76)</text>
              <text></text>
          </textline>
          </textbox>
          <textgroup bbox="164.979,213.240,419.659,235.944">
              <textbox id="0" bbox="164.979,213.240,247.680,235.944" />
          </textgroup>
      </page>
  </pages>

第一个字符应为L和51 (cid:51)似乎与我在句子中的任何字符都不匹配，关于ascii table和utf-8 table

正如标题所说，我想知道它是什么，以及如何使用这些(cid:51)...？

修改

所以我发现程序没有得到真正的字符（cid：％d），因为他不认识到它是一个unicode字符串。

首先调用此函数来编写char：

def render_char(self, matrix, font, fontsize, scaling, rise, cid):
    try:
        text = font.to_unichr(cid)
        assert isinstance(text, unicode), text
    except PDFUnicodeNotDefined:
        text = self.handle_undefined_char(font, cid)

但assert失败并触发被捕获的事件PDFUnicodeNotDefined并致电：

def handle_undefined_char(self, font, cid):
    if self.debug:
        print >>sys.stderr, 'undefined: %r, %r' % (font, cid)
    return '(cid:%d)' % cid

这就是我用包含所有这些文件的结尾（cid：％d）。

我是python的新手，我试图想出一种识别这些字符的方法，它应该是一个没有？有没有人有任何想法？

Answer 1

了解如何解释 cid ，你需要知道一对事情：

相关字体的Registry-Ordering-Supplement（ROS）信息。它通常类似于Adobe-Japan1-5＆＃39;并且是存储在字体中的信息属性。 ROS确定如何解释CID。
使用ROS信息，选择兼容的CMap并通过它解码。您可以在http://sourceforge.net/projects/cmap.adobe/files/

有关发明人直接提供的CID和CMaps的更多信息，请访问http://www.adobe.com/content/dam/Adobe/en/devnet/font/pdfs/5014.CIDFont_Spec.pdf

检查decode CID font codes to equivalent ASCII characters以获取更多信息

这是什么（cid：51）在pdf2txt的输出中？

修改

1 个答案: