Question

所以我得到了一些希伯来语的PDF文件，我希望将其翻译成英语，并且在尝试将PDF文件中的文本复制并粘贴到文本编辑器中时，所有的希伯来语决赛字母被错误地复制了。

我发现了this问题，但没有找到解决方案，而且该问题只涉及一个错误阅读的特定最终字母，而且只是指特定的图书馆。

我尝试从acrobat阅读器和chrome PDF查看器进行复制和粘贴，但无法正确复制内容。

我发现另一件有趣的事情是，当你在浏览器中按Ctrl + F（我在chrome上试过它）并搜索最后一个字母＆＃34; Pe＆＃34;例如，它会给常规＆＃34; Pe＆＃34;和＃34; Pe＆＃34; （反之亦然，当您搜索常规＆＃34; Pe＆＃34;）时，即使它们具有不同的代码点（以及ANSI代码页中的不同代码），这也是奇怪的。（对于所有最终字母及其相应的常规字母，它都是相同的）

所以问题是 - 有谁知道为什么会这样？
我知道可能没有实际的代码点映射到字形，但在这种情况下，字符是如何呈现的？我对这个问题不太熟悉，所以我很感激任何解释。此外，任何能够让我用最终字母提取文本的好解决方案都将非常受欢迎，因为我想解析文本并弄乱字母导致不完整的单词。

修改
根据weibeld的要求，我添加了一些复制的单词和相应的正确单词。我还要添加他们的hexdump。

E1 F7 F8 1B    בקר.  # Should be בקרן (Final letter "Nun") Switches every 
final Nun with 1B instead of EF according to the windows 1255 code page.

F2 F1 F7 E9 E9 17 עסקיי. # Should be עסקיים (Final letter "Mem") Switches 
every final Mem with 17 instead of ED.

谢谢！

Answer 1

因此，根据您的编辑，PDF文件似乎使用一些奇怪的（非ASCII兼容的）希伯来语编码进行文本提取，这将字母的最终形式放在1X区域中的ASCII格式不可打印的控制字符是。

如果您只想重建PDF中的文本，最简单的解决方案可能是，不是更改PDF，而是在从PDF复制文本后用正确的代码替换错误的代码。

例如，将从PDF复制的文本粘贴到file，然后粘贴：

cat file | tr '\033' '\357' | tr '\027' '\355' >out_file

也就是说，每个错误的最终字母都有一个tr。数字033，357等只是您使用1B找到的十六进制字节EF，hexdump等的八进制形式。只需找出剩余的映射并将它们添加到链中。然后out_file应该包含正确编码的文本，您可以使用Windows-1255使用一些文本编辑器打开它。

Answer 2

PDF参考文献基本上没有对用于文本提取的非拉丁语非CJK文本进行编码的正确方法（渲染字形不需要这些），但实际上有两种方法：第一种方法是一个ToUnicode表（对于简单字体和复合字体），第二个，对于简单字体，是指定一个带有差异数组的编码字典，用Adobe注册表中的名称标识每个字形（例如https://github.com/adobe-type-tools/agl-aglfn/blob/master/glyphlist.txt）。

Identity-H编码意味着一个复合（双字节）字体，可能有一个ToUnicode表。自定义编码意味着具有差异数组的编码字典。标准编码意味着未指定预定义（或自定义）编码。

这三者的混合意味着一个非常混乱的起源。

从PDF文件复制+粘贴希伯来语文本会导致最终字母被错误复制

2 个答案: