由于ToUnicode映射，PDF文本提取返回错误的字符

Question

我正在尝试使用PDFMiner从外语PDF文件中提取文本，但是被ToUnicode语句挫败了。即使在普通的PDF查看器下，该文件也会表现得很奇怪。

例如，以下是文件中某些文字的屏幕截图：

但是如果我选择并复制文本，它看起来像这样：

िनरकर

您可以看到多个字符已更改，尤其是倒数第二个字符。

毫不奇怪，PDFMiner会提取错误的文本。但每个PDF查看器都能正确显示这些数据。我怀疑问题是ToUnicode地图，或者是带有连接字符的东西。所需的字母应该是0x915,0x94D，0x937的序列。 PDFMiner仅报告0x915，它描述了不同的字符。

我需要做些什么才能让PDFMiner正确提取文本，即在图像中而不是复制粘贴文本？

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：

PDF中Mangal-Regular嵌入子集的字体程序中的 ToUnicode Map和Unicode条目声称这四个字形

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查看器正确显示文本但文本提取（复制和粘贴或PDFMiner）无法正确提取。

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

此外，它可以包含将此类字形指针映射到Unicode代码点的额外信息。这些额外信息由文本提取程序使用。 如果是PDF，这些映射不正确，因此提取的文本不正确。