無法使用tika從pdf文件中提取文本內容

Question

我正在使用生成'.ps'文件的Postscript打印機，並且正在使用我的Linux機器中的'ps2pdf'命令將該.ps文件轉換爲.pdf。這是在這裏生成的文件，它的內容是不可選擇和可複製的。當我嘗試使用apache Tika從同一pdf文件中提取內容時，它返回一個空字符串（表示無法提取）。我認爲這可能是問題一些字體，所以我也安裝了一些新的字體，但仍然沒有爲我工作。

我無法找出問題所在。無論是打印機驅動程序還是ghostscript（用於將'.ps'轉換爲'.pdf'）的問題，還是字體問題-其他。

使用tika檢索內容時，它會打印一些警告（不是錯誤），如下所示。

WARN No Unicode mapping for CID+1 (1) in font WKQJKU+ArialNarrow-Identity-H 
WARN No Unicode mapping for CID+2 (2) in font WKQJKU+ArialNarrow-Identity-H 
WARN No Unicode mapping for CID+3 (3) in font WKQJKU+ArialNarrow-Identity-H 
WARN No Unicode mapping for CID+4 (4) in font WKQJKU+ArialNarrow-Identity-H 
WARN No Unicode mapping for CID+5 (5) in font WKQJKU+ArialNarrow-Identity-H 

....

任何幫助預先感謝.Thanks。

Answer 1

沒有看到原始的PostScript文件和PDF，它不能真正說出問題是什麼，或者它是否可以修復。您需要將文件公佈在某個地方。

您也不會說'ps2pdf'命令是什麼，有幾個不同的實用程序使用相同的名稱。如果使用Ghostscript，那麼它在運行時會這樣說。如果是這樣，你會更好地直接運行Ghostscript以避免混淆。你還應該引用你正在使用的Ghostscript版本。

現在PostScript程序通常打算髮送給打印機進行打印。因此，使用什麼字符代碼來表示字形並不重要，只要字體編碼和字符代碼組合在輸出上產生預期的字符形狀即可。因此，絕對不能保證原始應用程序中的'A'，在紙上打印爲'A'，實際上以字符代碼0x41表示。一個應用程序創建一個子集字體的情況並不少見，它只包含實際打印的字形，並且它的排列使得要打印的第一個字符被賦予代碼1，第二個被賦予代碼2等。因此'你好'將是0x01 0x02 0x03 0x03 0x04

Windows PostScript打印機驅動程序添加一個非標準的G2U表，它將字形名稱映射到Unicode代碼點，並且使用它可以構造一個ToUnicode CMap並將其嵌入到PDF文件。這允許將複雜的編碼轉換爲Unicode值，這意味着搜索和複製/粘貼將起作用。

但是您還沒有說過您使用哪種系統來創建PostScript程序，並且由於您沒有提供示例，我們只是不知道您的PostScript是如何生成的。

看起來您的PDF文件正在使用CIDFont，並且不包含ToUnicode CMap。這是不太可能的，這將產生一個PDF文件，您可以複製/粘貼東西。當然，這不是PDF的原始目標，這就是爲什麼它不能保證是可能的。

很可能沒有辦法將PostScript文件轉換爲可編輯的PDF文件，但是您沒有提供足夠的信息來說明。

[稍後]

後記由開羅PDF文件生成，有可能，但是這並不完全清楚，它可能僅僅是開羅的工作方式。在任何情況下....PostScript包含CIDFontType 2（TrueType輪廓）的嵌入子集CIDFont。由於PostScript沒有提供Unicode信息的定義機制，因此沒有提供。如上所述，'encoding'是在遇到字符時創建的，因此第一個glyph編碼爲0x01等。

這樣做的結果是沒有簡單的方法從此PostScript文件中提取有意義的文本，除了打印它和使用OCR當然。

可以想象，CIDFont的sfnts包含一個3,0 CMAP子表，它可以將字形ID映射到Unicode值，但這需要我一些時間來檢查。但是，即使是這種情況，Ghostscript的pdfwrite代碼目前也不會嘗試這一壯舉（Acrobat Distiller也不是我知道的任何其他PostScript to PDF創建者）。

因此，基本上，你不能做你想做的事情。爲什麼不讓開羅生成PDF文件而不是PostScript文件？它更可能以我想象的那種方式工作。當然，這可能意味着你必須看看你的虛擬打印機是如何工作的，如果你使用的是CUPS，我應該可以這樣想，因爲PDF是現代版本的CUPS所使用的常用格式。