從一個PDF中提取Unicode圖譜並在另一個圖譜中使用

Question

我有一個Unicode圖譜文檔，它忽略了toUnicode圖譜。我有一個不同的PDF與具有toUnicode地圖的相同字體。我可以從一個PDF中提取它並使用它從其他PDF中提取文本嗎？

Answer 1

通用答案是否定的。您正在討論的ToUnicode地圖遵循PDF CMap格式，用於將字符代碼轉換爲Unicode值。你面臨兩個潛在的缺陷：

1）字體不完全相同。儘管它們的名稱可能相同，但它們可能具有不同的編碼，或者可能包含不同的字形（即使是相同的編碼）。在這種情況下從不同字體應用CMap會給你不正確的Unicode值。

2）字體可能在所有方面都是相同的，但可能會在PDF文件中進行子集（可能），並且子集可能不同。當然有些情況不會改變字體在PDF文件中的存儲方式，但是有優化的PDF編寫器會壓縮任何他們可以在子集字體中使用的東西，這可能會導致不同的字符編碼被使用並最終不同ToUnicode地圖。

Answer 2

對於Unicode映射Adobe有特殊資源/ ToUnicode 您可以在Font資源描述的pdf文件中找到它。它看起來像

<</BaseFont /ONWALI+Sylfaen/DescendantFonts [10 0 R]/Encoding /Identity-H/Subtype /Type0/ToUnicode 11 0 R/Type /Font>> 

和/ToUnicode 11 0 R是你需要在PDF文件。 11 0是資源ID

我已經創建了帶有Acrobat Pro中所有字母符號的示例pdf，以使用與報表中使用的字體相同的標準ToUnicode映射。我已經提取的資源爲文本，它看起來是這樣的：所以你必須將其解壓縮得到的文字像上面

/CIDInit /ProcSet findresource begin 
12 dict begin 
begincmap 
/CIDSystemInfo 
<< /Registry (Adobe) 
/Ordering (UCS) /Supplement 0 >> def 
/CMapName /Adobe-Identity-UCS def 
/CMapType 2 def 
1 begincodespacerange 
<0000> <FFFF> 
endcodespacerange 
50 beginbfchar 
<0003> <0020> 
...and so on... 
endbfchar 
endcmap CMapName currentdict /CMap defineresource pop end end 

ToUnicode資源通常壓縮。

然後，我編寫了代碼，它使用pdf（來自Misrosoft Reporting中生成的報告），併爲找到的每個字體添加/ ToUnicode資源。 PDF具有帶指針的外部參照表，並且不能將其編輯爲文本文件。所以你必須使用一些pdf引擎（我使用過PDFTron，但是itext應該足夠了）。每次需要將報告另存爲pdf時，都會執行此後處理代碼。 實際上，ToUnicode映射應該由Microsoft報告引擎填充，但它太好了，無法實現。

就是這樣。