如何在将文档从PDF转换为文本时处理unicode字符编码问题
如何在将文档从PDF转换为文本时处理unicode字符编码问题
提问于 2011-09-20 19:32:52
我正在尝试从PDF中提取文本。PDF包含印地语(Unicode)文本。我使用的提取实用程序是Apache PDFBox ( http://pdfbox.apache.org/)。提取器提取文本，但文本无法识别。我尝试了在多种编码和字体之间切换，但仍然无法识别预期的文本。下面是一个例子:假设PDF中的文本是:पवार
解压后的内容是：̄？3⁄4？？̧ü
有什么建议吗？
回答 1
Stack Overflow用户
回答已采纳
发布于 2011-09-20 19:37:36
PDF本质上是一种打印格式，因此将文本记录为一系列可视字形，而不是实际文本。最初，它从来没有打算作为一种数字档案格式，这仍然显示在许多文件中。对于复杂的脚本，比如需要字形替换、连接和重新排序的阿拉伯语或印度语脚本，基本上你经常会弄得一团糟。在这里，您通常得到的是嵌入式字体中使用的字形in，这些字体与Unicode或实际的文本编码没有任何相似之处(字体表示字形，其中一些可能映射到Unicode代码点，但有些只是字体内部使用所需的，例如基于上下文或连字的字形变体)。您可以在LaTeX生成的PDF中看到同样的情况，特别是使用非ASCII码字符和数学。
PDF还具有将文本作为文本嵌入到可视化表示旁边的功能，但这完全取决于生成应用程序的判断。我听说Word在生成PDF时非常努力地保留这些信息，但许多PDF生成器不这样做(它通常在某种程度上适用于拉丁语，这可能是几乎没有人费心的原因)。
我认为，如果PDF没有可用的纯文本，最好的选择是在PDF上以图像的形式进行OCR。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/7484407
复制相关文章
相似问题
腾讯云开发者
