我正在做一个项目,它可以生成包含相当复杂的数学和科学公式的PDF。文本是用Times New Roman呈现的,它有很好的Unicode覆盖率,但并不完整。我们已经有了一个系统,可以用更完整的Unicode字体替换那些在TNR中没有字形的代码点(就像大多数“陌生的”数学符号一样),但我似乎找不到一种方法来查询*.ttf文件,看看是否存在给定的<e
我有一些PDF是在印地语,并有可提取的文本。我使用Python3.6的进行提取。输出如下所示:
可以看到,有许多字符被转换为"(cid : number )“形式。进一步分析后,我发现PDF包含将字符代码映射到字形索引的CMAP。因此,CID是CMAP表中它映射到的字形的字符标识。此外,根据类似问题的评论