我试图使用PDFMiner从外语PDF文件中提取文本，但是被ToUnicode语句挫败了 . 即使在普通的PDF查看器下，该文件的行为也很奇怪 .
例如，以下是文件中某些文本的屏幕截图：
但是，如果我选择并复制文本，它看起来像这样：
िनरकर
您可以看到多个字符已更改，尤其是倒数第二个字符 .
毫不奇怪，PDFMiner提取不正确的文本 . 但每个PDF查看器都能正确显示这些数据 . 我怀疑问题是ToUnicode Map ，或者是带有连接字符的东西 . 所需的字母应该是0x915,0x94D，0x937的序列 . PDFMiner仅报告0x915，它描述了不同的字符 .
我需要做些什么才能让PDFMiner正确提取文本，即在图像中而不是复制粘贴文本？
这是link to the PDF有问题 .
1 回答
简而言之：
您的PDF不包含在不使用OCR的情况下正确提取文本所需的信息 .
详细地：
PDF中嵌入的Mangal-Regular子集的字体程序中的 ToUnicode Map和Unicode条目都声称这四个字形
all代表相同的Unicode代码点0x915 .
因此，任何不查看绘制的字形（即不尝试OCR）的文本提取程序将为这些字形中的任何一个返回0x915 .
背景：
您似乎想知道为什么PDF查看器正确显示文本但文本提取（复制和粘贴或PDFMiner）无法正确提取 .
原因是作为格式的PDF不包含文本 . 它包含指向嵌入式字体程序中的字形绘制指令的指针（直接或通过映射） . 使用这些指针可以按预期绘制PDF .
此外，它可以包含将此类字形指针映射到Unicode代码点的额外信息 . 这些额外信息由文本提取程序使用 . 对于PDF，这些映射不正确，因此提取的文本不正确 .