如果PDF格式中存在编码和ToUnicode，如何在pdf中提取文本？如何映射呢？

时间：2016-10-14 06:44:16

标签： c++ c pdf qpdf

这里，我使用qpdf工具解压缩数据，输出下面的数据。如果你看到编码和ToUnicode都存在于pdf中。我知道如果只有ToUnicode那么如何使用Cmap文件映射单个字符。但是如果你看到内容流的输出如下

TF 0.999402 0 0 1 71.9995 759.561 Tm [（）-2.11826（） - 1.14177（）2.67786（） - 2.11826（）8.55269（） - 5.44998（） - 4.70186（）2.67786（） - 2.32338（）2.67786（）12.679（） - 3.75591（）9.73429（）] TJ

在突破中有一些不可见的装袋数据。那么如何将数据链接到cmap文件？

另一个问题是/在/差异中包含什么值？

10 0 obj ＆LT;＆LT; / BaseEncoding / WinAnsiEncoding / Differences [1 / g100 / g28 / g94 / g3 / g87 / g24 / g38 / g47 / g62] /类型/编码＆gt;＆gt;

即使我将差异数组的值逐个传递到一个FreeType函数中，也命名为FT_Get_Name_Indek。此函数返回值[100 28 94 3 87 24 38 47 62]

那些价值观是什么？如何映射那些价值？

here is pdf

按照cmd运行

qpdf --stream-data = uncompress input.pdf output.text

output.text

如果我将内容流数据传递到zlib，我得到的输出相同。请从链接

检查output.txt文件

2 个答案:

答案 0 :(得分：0)

首先是一般性问题

  

如果pdf中存在编码和ToUnicode，如何在pdf中提取文本？如何映射？

     

[...]如果你看到编码和ToUnicode都存在于pdf中。我知道如果只有ToUnicode，那么如何使用Cmap文件映射单个char。

在这种情况下，即当你有一个足够完整和正确的 ToUnicode 地图和编码的字体时，你可以忽略 >编码，仅使用 ToUnicode 地图。

这是从PDF规范第9.10.2节“将字符代码映射到Unicode值”中指出，将字符代码映射到具有最高优先级的Unicode值的方法是

  

如果字体字典包含ToUnicode CMap（参见9.10.3，“ToUnicode CMaps”），请使用该CMap将字符代码转换为Unicode。

因此，如果您（如您所说）已经知道如果只有 ToUnicode 地图提取文本，则可以使用相同的算法不变。作为必然结果，如果这不起作用，那么 ToUnicode 地图不够完整或不正确，或者您自己知道如何仅使用 ToUnicode 提取文本地图实际上是不完整的。

其次是样本文件

你写了

  

[（） - 2.11826（） - 1.14177（）2.67786（） - 2.11826（）8.55269（） - 5.44998（） - 4.70186（）2.67786（） - 2.32338（）2.67786（）12.679（）-3.75591（）9.73429 （）] TJ

     

在突破中有一些不可见的装袋数据。那么如何将数据链接到cmap文件？

在括号中有标识你的字形的值，所以它们肯定不是垃圾。

因此，这里是括号内的字节值：

[(
    01
)-2.11826(
    02
)-1.14177(
    03
)2.67786(
    01
)-2.11826(
    04
)8.55269(
    05
)-5.44998(
    06
)-4.70186(
    07
)2.67786(
    04
)-2.32338(
    07
)2.67786(
    08
)12.679(
    09
)-3.75591(
    02
)9.73429(
    04
)]TJ

使用相关字体的 ToUnicode 地图

/CIDInit /ProcSet findresource begin
12 dict begin
begincmap
/CMapType 2 def
1 begincodespacerange
<00><ff>
endcodespacerange
9 beginbfrange
<01><01><0054>
<02><02><0045>
<03><03><0053>
<04><04><0020>
<05><05><0050>
<06><06><0044>
<07><07><0046>
<08><08><0049>
<09><09><004c>
endbfrange
endcmap
CMapName currentdict /CMap defineresource pop
end end

括号内的字节值映射到：

    01    0054    "T"
    02    0045    "E"
    03    0053    "S"
    01    0054    "T"
    04    0020    " "
    05    0050    "P"
    06    0044    "D"
    07    0046    "F"
    04    0020    " "
    07    0046    "F"
    08    0049    "I"
    09    004c    "L"
    02    0045    "E"
    04    0020    " "

因此，

"TEST PDF FILE "

匹配渲染文件就好了：

Screenshot

第三是编码

  

另一个问题是/在/差异中包含什么值？

     

10 0 obj＆lt;＆lt; / BaseEncoding / WinAnsiEncoding / Differences [1 / g100 / g28 / g94 / g3 / g87 / g24 / g38 / g47 / g62] /类型/编码＆gt;＆gt;

根据PDF规范，

  

差异条目的值应为字符代码和字符名称数组，其组织如下：

     

代码 1 name 1,1 name 1， 2 ...

     

代码 2 name 2,1 name 2， 2 ...

     

...

     

代码 n name n，1 name n， 2 ...

     

每个代码应该是要更改的字符代码序列中的第一个索引。代码后面的第一个字符名称将成为与该代码对应的名称。后续名称将替换连续的代码索引，直到下一个代码出现在数组中或数组结束。这些序列可以按任何顺序指定，但不得重叠。

因此，您的案例中的编码条目表示编码基本上是 WinAnsiEncoding ，区别在于代码1，...，9代表名为/ g100，/ g28，/的字形g94，/ g3，/ g87，/ g24，/ g38，/ g47和/ g62。

由于这些字形名称不是标准字形名称，因此PDF规范不认为此编码对文本提取有用，因为它只描述了简单字体的方法

  

具有差异数组的编码仅包含取自Adobe标准拉丁字符集的字符名称和符号字体中的命名字符集（参见附件D）

样本中的“/ gXX”名称显然不在其中。

答案 1 :(得分：0)

值得注意的是，大多数情况下，/Encoding 映射是 字符代码（旨在作为字符串的编码字节）到 CID 映射，其中，CID（字符 ID）在大多数字体类型中对应于字形索引/标识符。例外情况出现在 Type2 字体中，它们具有单独的 CID 和 GID（字形 ID）概念，提供一个 /CIDToGIDMap 以在他们。在上述情况下，/Encoding 映射与解码字符串的 Unicode 表示无关。要解码 Unicode 表示，您绝对应该在可用时使用 /ToUnicode，如 bt @mkl 所指出的。如果它不可用，则在一种情况下，您具有预定义的编码（可选地使用 /Difference 映射）或 CMap，或者在字体程序提供的情况下一种隐式编码，例如 Type1 字体。这一切也在非常好的@mkl answer 中有所说明。 /Encoding 可能对应于在 字符代码 和 Unicode 代码点 之间转换的映射，当它是预定义的编码（如 MacRomanEncoding、MacExpertEncoding 或 WinAnsiEncoding，但我也看到使用了可能不合规的 Identity-H，这是一个预定义的 CMap< /em> 名称，而不是预定义的编码）或格式错误的字体。在这方面，PDF 参考/标准通常会混淆什么是合法的，什么是不合法的，因此在 PDF 中解码编码字符串的库应该始终尽可能宽松。此外，PDF 参考/标准本身在解释字符代码、CID、GID 和 Unicode 之间的区别时也不是很清楚。 em> 表示。

相关问题
最新问题