我在哪里可以将Identity-H编码字符映射到ASCII或Unicode字符？

Question

我有第三方生成的PDF。我试图从中获取文本，但pdf2text和复制和粘贴都不会产生可读文本。在对输出（两个中的任何一个）进行一点挖掘之后，我发现屏幕上的每个字符都由三个字节组成。例如，“A”是字节ef，81和81。查看PDF上的元数据，它声称在Identity-H中编码，所以我假设我看到的是一组用Identity-H编码的字符。我有一个基于我已经拥有的文档的部分映射，但我想做一个更完整的映射。要做到这一点，我需要像Identity-H的ASCII表。

Answer 1

尤其是当mkl指出缺少/ ToUnicode映射时，并不总是可以从PDF中提取文本。

如果无法从Acrobat剪切和粘贴正确的文本，那么您将很难自己提取文本。如果Acrobat无法提取它，那么任何其他工具都不可能正确提取文本。

如果手动创建编码表，则可以使用此功能将提取的字符重新映射到正确的值，但这很可能只适用于这一个文档。

通常这是故意的。我已经看到了为点中的每种字体随机重新映射字符的文档。它被用作混淆的一种形式，从这些PDF中提取文本的唯一真正方法是求助于OCR。有许多财务报告使用这种技巧来阻止人们提取数据。

此外，Identity-H只是从0x0000到0xFFFF的所有字符的1：1字符映射。即。身份是一种身份映射。

您真正的问题是此PDF中缺少/ ToUnicode条目。我怀疑PDF中还有一个嵌入式CMap，它解释了为什么每个字符可能有3个字节。