查找用于文本提取的测试PDF？

Question

这不完全是一个编程问题，所以我不确定在这里发帖是否合适？

无论如何，我已经写了一个PDF文本提取器，我正在寻找用于测试它的棘手的PDF。我在网上广泛搜索了所有已找到工作的PDF文件。

但是，我知道还有一些我尚未测试。

例如，我似乎无法找到一个带有CID字体的PDF，而这个字体缺少一个＆＃34; ToUnicode＆＃34;条目。

此外，我似乎无法找到任何带有棘手或令人困惑的PostScript的PDF。

任何人都可以推荐吗？

Answer 1

您可以开始使用这些（简单但棘手的）手写PDF进行测试：

• Text Extraction Test-PDFs （手动编码）

要使用删除了某些/ToUnicode表格的真实PDF文件进行测试，请参阅此处：

• Troopers15 Presentation Slides （文字无法提取）