应用错误收集

此问题与this answer中讨论的问题非常相似，sample document there的外观也提醒document here。

就像其他问题中的文档一样，文档中使用的Devanagari脚本字体的 ToUnicode 映射将多个完全不同的字形映射到相同的Unicode代码点。因此，基于此映射的文本提取必然会失败，并且大多数文本提取器都依赖于这些信息，尤其是在没有像此处的字体编码条目的情况下。

某些文本提取器可以使用嵌入字体程序（如果存在）中包含的字形到Unicode的映射。但是在这里使用的文件中使用的梵文脚本字体程序中检查这个映射，结果证明它将大多数字形与U + f020和U + f062相关联，命名为＆＃34; uniF020＆＃34;等

这些Unicode代码点位于 Unicode专用区中，即它们没有标准化含义，但应用程序可以根据需要使用它们。

因此，使用字体程序中包含的Unicode映射的文本提取器也不会立即提供可理解的文本。

但是，有一个事实可以帮助您主要自动化文档从本文档中提取：在多个页面上引用相同的PDF对象用于梵文脚本字体，所以在所有页面上引用相同的PDF对象相同的原始字符标识符或相同的字体程序私有使用Unicode代码点引用相同的可视符号。如果您的文件我只计算了5份字体。

因此，如果您找到一个文本提取器，它返回字符标识符（忽略所有toUnicode映射）或从字体程序返回私有使用区域Unicode代码点，您可以使用其输出并仅根据a替换每个条目很少有地图。

我还没有使用过这样的文本提取器，所以我在python上下文中都不知道。但谁知道，可能pdfminer或任何其他类似的软件包可以被告知（通过某种选择）忽略误导性的 ToUnicode 地图，然后如上所述使用。