解碼CID字體代碼爲等價的ASCII字符

Question

我想從一堆PDF文件和一些他們的挖掘一些文字輸出嵌入式CID fonts：

(cid:80)(cid:72)(cid:87)(cid:68)(cid:70)(cid:76)(cid:87)(cid:76)(cid:72)(cid:86)(cid:3) 
(cid:177)(cid:3)(cid:71)(cid:72)(cid:191)(cid:81)(cid:72)(cid:71)(cid:3)(cid:69)(cid:92 
(cid:3)(cid:56)(cid:49)(cid:3)(cid:43)(cid:68)(cid:69)(cid:76)(cid:87)(cid:68)(cid:87) 
(cid:3)(cid:68)(cid:86)(cid:3)(cid:70)(cid:76)(cid:87)(cid:76)(cid:72)(cid:86)(cid:3) 
(cid:90)(cid:76)(cid:87)(cid:75)(cid:3)(cid:80)(cid:82)(cid:85)(cid:72)(cid:3)(cid:87) 
(cid:75)(cid:68)(cid:81)(cid:3)(cid:20)(cid:19)(cid:3) 

當我看那個確切的片斷在PDF中的文字，字母肯定是轉換爲ASCII：

這可能表明，強力解碼將工作（即閱讀snippe t的文本與一組CID代碼相對應，並以此方式創建映射），但這對於大量不同的PDF是否可靠？是否有從這些CID代碼到ASCII字符的可靠映射，還是會高度依賴PDF中的字體？如何確定像(cid:72)這樣的CID代碼對應的ASCII字符？

對於它的價值，我是extracting the text using PDFminer，它似乎是唯一真正報告CID代碼的工具。如果有更好的工具將PDF轉換爲HTML或任何其他可分析文本格式，我願意接受其他建議！

作爲額外的獎勵，這個問題似乎涉及到一些其他的懸而未決的問題，所以有聲譽的豐富的賞金放在這裏行：

• Font cannot be extracted by PDFMiner
• What is this (cid:51) in the output of pdf2txt?

Answer 1

儘管你可以通過猜測來做這個簡單的例子，但要真正做到這一點，你需要2個額外的信息：

1）正在討論的字體的註冊表排序 - 補充（ROS）信息。這通常是'Adobe-Japan1-5'或其他類似的東西，是存儲在字體中的信息屬性。 ROS決定如何解釋CID。一個字體中的給定CID不一定與另一個字體中的CID相同，除非這些ROS是相同的。這就是說：Adobe-Japan1-5中的CID12345與Adobe-GB1-3中的CID12345不一樣！

2）用ROS信息武裝起來，選擇一個兼容的CMap並通過它進行解碼。 ASCII是有點短視的;我會去使用哪個ASCII是一個子集的Unicode。您可以在CID http://sourceforge.net/projects/cmap.adobe/files/

更多信息，找到用於Adobe定義玫瑰的CMap文件和CMap的從發明者直接可在http://www.adobe.com/content/dam/Adobe/en/devnet/font/pdfs/5014.CIDFont_Spec.pdf