我有一堆用Adobe Distiller 6从Word打印的PDF（1.4）文件。嵌入了字体（Tahoma和Times New Roman，我在我的Linux机器上），编码说“ANSI”和“Identity-H” ”。现在通过ANSI，我假设区域代码页用于Windows机器，即CP-1251（西里尔语），关于“Identity-H”，我认为这是只有Adobe知道的东西。
我想只提取文本并索引这些文件。问题是我从pdftotext获得垃圾输出。
我试图从Acrobat导出示例PDF文件，然后我再次得到了垃圾，但是另外使用iconv进行处理得到了正确的数据：
iconv -f windows-1251 -t utf-8 Adobe-exported.txt
但同样的技巧不适用于pdftotext：
pdftotext -raw -nopgbrk sample.pdf - | iconv -f windows-1251 -t utf-8
默认情况下采用UTF-8编码，然后输出一些垃圾：Сiconv: illegal input sequence at position 77
pdftotext -raw -nopgbrk -enc Latin1 sample.pdf - | iconv -f windows-1251 -t utf-8
再次扔垃圾。
在/usr/share/poppler/unicodeMap我没有CP1251，也找不到谷歌，所以试图制作一个。我从维基百科CP1251数据创建了该文件，并在文件末尾附加了其他地图：
...
fb00 6666
fb01 6669
fb02 666c
fb03 666669
fb04 66666c
这样pdftotext就不会抱怨，而是来自：
pdftotext -enc CP1251 sample.pdf -
又是垃圾了。 hexdump第一眼看不到任何内容，我想在这里问一下我的问题，然后拼命地从这个问题中得出结论hexdumps