在使用Ghostscript处理后，避免对从PDF中提取的文本进行分段

Question

使用Ghostscript处理后，我有时会在搜索或选择时看到用pdftotext或PDF查看器查看的空格。可能不相关但异常似乎与渲染字体中的字距变化相对应。

有没有办法避免这种情况？

例如，从GS 9.23（也发生在早期版本中）：

gs -sDEVICE=pdfwrite \
   -dNOPAUSE -dQUIET -dPARANOIDSAFER -dBATCH \
   -sOutputFile=./output.pdf input.pdf

摘录自pdftotext input.pdf：

Review this manual before
operating deep cleaner

while pdftotext output.pdf：

Re vie w t his m a nua l be fore
ope ra t ing de e p c le a ne r

Answer 1

Ghostscript和pdfwrite设备（如VectorDevices.htm中所述）在生成PDF文件时不会简单地“弄乱”输入。输入（来自任何来源; PDF，PostScript，XPS，PCL，PCL-XL）完全解释为标记操作，那些标记操作被发送到设备，将它们变回PDF结构。

因此，描述页面的低级（PDF）格式不需要与输入的低级格式有任何关系。特别是您不能指望输入中的PDF操作会反映在输出中。

视觉外观将是相同的（或应该是，因为这是主要目标），但实际操作不会。

文本输出不同的原因是，基本上，PDF文件中没有描述单词，段落，列等的“元数据”。当您从PDF文件中提取文本时，实际得到的是一系列字符代码和位置。

它取决于文本提取代码，试图理解它。我猜这个pdftotext正在使用相当天真的方法来假设文本字符串是单词。

这是有问题的，因为有许多不同的方法来处理PDF中的字距调整，对齐和其他间距。你可以这样做：

(Te) Tj
10 0 Td
(st) Tj

或者：

[(Te) 2 (st)] TJ

pdfwrite设备不知道原始内容是什么，因此它发出的内容可能是其中之一，具体取决于某些启发式方法。它与原版匹配的可能性很低。

我怀疑pdftotext会将第一个操作视为“Te st”，将第二个操作视为“Test”

一种可能的解决方案是使用Ghostscript的txtwrite设备提取文本，可能做得更好。

与您的其他问题一样，最好在提出这类问题时提供示例，因为如果没有这些问题，那就太多了。

TL; DR

  

有没有办法避免这种情况？

没有