PDF Кодирование шрифтов - почему я не могу копировать текст из PDF?

После преобразования PDF файла я больше не могу копировать текст из него.

Все, что я получаю, - это нечитаемые символы, которые не имеют никакого смысла.

Шрифт - французский Script MT, но кодировка является обычным (см. результат Adobe Reader > Файл > Свойства документa > Шрифт).

Здесь является PDF.

Я пробовал несколько методов... редактирование в редакторе PDF; Notepad ++; Слово; Acrobat Pro.

Что-то не так с исходным кодом файла PDF, что предотвращает правильное копирование текстовых элементов?
Может ли этот исходный код PDF быть изменен/изменен/изменен, чтобы копировать текст + вставлять текст?

Ответ 1

Я просмотрел ваш файл с помощью различных инструментов:

qpdf (Джей Бэркенбитт) для анализа файла.
pdfid.py и pdf-parser.py (Дидье Стивенс), чтобы проанализировать больше.
PDFlib TET (инструмент извлечения текста), чтобы попытаться извлечь текст.
PDFlib Репортер шрифтов Плагин Acrobat {, Reader} для создания таблицы с глифами, используемыми PDF.
утилита командной строки Poppler pdffonts.

Даже TET не удалось извлечь текст. И TET - лучшее, что я знаю для этой задачи - часто удается, когда другие методы терпят неудачу.

Мой анализ дал мне следующие результаты:

pdffonts дает первый быстрый обзор. Он возвращает следующую информацию:
```
$ pdffonts "so#12703387-problem.pdf" 

   name                      type         encoding    emb sub uni object ID
   ------------------------- ------------ ----------- --- --- --- ---------
   YLWHHJ+FrenchScriptMT     Type 1C      Custom      yes yes no      14  0
```
Столбец uni должен содержать запись yes. no в этом столбце указывает, что в шрифте, используемом PDF, отсутствует таблица /ToUnicode. Этот шрифт встроен в подмножество под названием YLWHHJ+FrenchScriptMT. Он также использует кодировку шрифта Custom (скорее всего, используя массив /Differences). Без правильной и полной таблицы /ToUnicode будет невозможно правильно извлечь текст.
Создатель PDF, используемый для создания этого PDF, был PDFCreator версии 1.0.2 на основе очень старой версии Ghostscript 8.70. (Об этом свидетельствует запуск "pdfinfo so#12703387-problem.pdf".)
Используемый шрифт - это подмножество FrenchScriptMT, содержащее 94 разных глифа.
Кодировка шрифта "Пользовательская", используя массив /Differences.
Текстовый чертеж в PDF преимущественно использует оператор TJ, который позволяет индивидуально позиционировать глиф.

Все операции рисования текста широко используют функцию "индивидуального позиционирования глифа". Почти все глифы расположены индивидуально, как вы можете видеть из этого фрагмента кода (первое вхождение TJ):

[<01>-3.18894<02>3.62397<02>3.62397<03>-2.42535<04>3.12889<05>3.88047<06>
-14.1669<07>-3.7221<02>-4.37556<04>3.62397(\b)-4.88286(\t)3.88047<01>
-3.18874(\n)1.29105<06>-13.6718(\b)-4.88245<0b>1.78573<02>3.1293<06>
-21.6714<04>3.62438(\f)0.553714(\r)0.0464142<0e>-1.28494<0f>-0.448671<10>
3.88007<06>-21.6714(\b)-4.88245<0b>1.78573<02>3.1293<06>-13.6718<11>
0.0920142<02>-4.37515<04>3.62438(\b)2.622<06>-13.6718<03>
-10.4245(\t)3.88007<11>0.0920142<02>3.62438<12>-6.14134(\b)3.11708<13>
3.3858<14>0.0455999<15>-7.42628<06>-14.1669<16>2.90048(\r)0.0455999<17>
-1.88425(\r)0.0455999<0b>1.78654(\r)]TJ

Как видно из "6.", операции рисования текста не используют "последовательность буквенных символов, заключенных в круглые скобки()", но используют "шестнадцатеричные данные, заключенные в угловые скобки", > '(см. Спецификация PDF, раздел 7.3.4.1).
Шестнадцатеричные значения для имен символов не соответствуют именам символов (хотя они должны быть получены из WinAnsiEncoding).

Сначала нужно сначала найти таблицу пользовательских кодировок.

Для этого я использовал команду pdf-parser.py -s encoding so#12703387-problem.pdf. Результат:
```
    <<
       /Type /Encoding
       /BaseEncoding /WinAnsiEncoding
        /Differences [
     1
        /g81 /g72
        /g71 /g86
        /g30 /g3
        /g53 /g87
        /g76 /g74
             (... skipping some lines of output ...)
        /g32 /g170
        /g105 /g103
        /g95 ]
      >>
```
Теперь, когда последняя точка раскрывает суть вопроса: Таблица кодировки шрифтов не использует стандартные имена символов. Вместо этого он использует 1, /g81, /g72,... /g95 (всего 94 разных имени).
Мое последнее замечание о именах глифов также подтверждается результатами модуля PDFlib FontReporter:
Нет автоматически работающего инструмента для извлечения текста (ничто из того, что я знаю, по крайней мере) может сделать головы и хвосты этого беспорядка. Человек-эксперт мог бы, но я даже не пытался (потому что это не помогло вам - см. Мое резюме для лучшей помощи).
Лучший способ, в общем, для автоматического извлечения текста для этого типа кодировок шрифтов - использовать OCR (оптическое распознавание символов). Однако в этом случае используемый шрифт ( "Французский Script MT" ) не будет работать с OCR.
В теории должно быть возможно добавить PDF-код к существующему файлу PDF, который фактически добавляет недостающую таблицу /ToUnicode. Я не знаю ни одного инструмента, который мог бы сделать это автоматически. Чтобы добавить это, необходимо:
- переформатировать PDF файл, затем
- запись таблицы вручную, затем
- вставив его в нужное место PDF файла в виде объекта separte PDF, затем
- вставка записи, указывающей на эту таблицу, в словарь объектов шрифта и, наконец,
- обновить таблицу PDF xref с правильными смещениями байтов ко всем идентификаторам объектов, на которые повлияли изменения.

Резюме - Мой совет вам:

Восстановите свой PDF.

Если возможно, создайте PDFCreator на более поздней версии Ghostscript.

Измените настройку PDFCreator, чтобы он больше не создавал подмножество шрифтов. Убедитесь, что исходный шрифт полностью встроен.

Тогда, скорее всего, проблема с кодировкой шрифта исчезнет, и вы сможете копировать текст из своего PDF файла.

Update:

Я создал 5 образцов PDF файлов с ручной кодировкой, которые вызывают проблему, вызванную отсутствующей или неправильной/управляемой таблицей /ToUnicode в PDF файле. Эти образцы теперь привязаны к недавно созданному хранилищу