从pdf中提取文本时，如果字体有ToUnicode映射，我是否应该关心编码？
提问于 2012-06-08 13:39:04
我正在尝试从pdf中提取文本。Pdf参考是一个真正的地狱，留下了许多实际的问题没有得到回答。我的问题是:如果字体字典包含/ToUnicode CMap和/Encoding，CMap是否总是涵盖这种字体使用的所有字符，这意味着我不需要使用/Encoding或其他任何东西就可以用这种字体打印文本？pdf参考资料的5.9章似乎回答是，但我的一些测试似乎回答否。
回答 1
Stack Overflow用户
回答已采纳
发布于 2012-06-08 16:05:30
5.9章是正确的，ToUnicode Cmap应该足以进行文本提取。问题是，许多PDF文件没有正确遵循PDF规范，您必须实现自己的启发式文本提取。
您可以从PDF规范开始，然后根据遇到的不符合规范的PDF文件，使用各种增强功能更新文本提取方法。
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/10949967
复制相关文章
相似问题
添加站长 进交流群
领取专属 10元无门槛券
AI混元助手 在线答疑
关注 腾讯云开发者公众号
洞察 腾讯核心技术
剖析业界实践案例
腾讯云开发者
