PDF至Unicode cmap表还原

Question

我有多个没有“ toUnicode” cmap表的pdf文件。 cmap表的缺乏限制了我复制pdf文件中的文本。

据我所知，有可能在pdf文件中添加“ toUnicode”映射，但是在我的情况下，添加静态值不是一种选择，不同的文件具有不同的字形代码。

因此问题如下。是否有可能在Ghostscript的帮助下恢复“ toUnicode” cmap表，或者有没有其他选择？

谢谢。

Answer 1

否，您不能使用Ghostscript将ToUnicode CMap添加到现有的PDF文件中。

在一般情况下，除了手动以外，您根本无法做到。正如您在问题中所指出的，将构造不同的文件以使用不同的字符代码->字形映射，这意味着字符代码到Unicode的映射也将不同。

由于字符代码的选择通常基于文件中字形的使用顺序（因此，第一个字形是字符代码1，第二个字形是字符代码2等），您可以看到没有可能识别一种“适合所有人”的解决方案。

您可以使用某种OCR来扫描渲染的输出，识别每个字形并为其找到Unicode代码点。然后，您可以通过识别字形的字符代码并将其映射到Unicode值来构造CMap。

然后，您可以将ToUnicode CMap添加到PDF文件中，并使用ToUnicode CMap的对象号更新字体描述符。

Ghostscript不会为您做任何事情，而且我还没有听说过任何可以使用的工具。