☰

搜索具有非标准字符编码的 PDF

tag-icon • tag-icon pdf search character-encoding
搜索具有非标准字符编码的 PDF

某些 PDF 文件会产生乱码（“莫吉巴克“）当您复制文本时（即使它们渲染正常）。这使得无法搜索它们（无论您搜索什么都不会匹​​配垃圾）。

有人有简单的解决方法吗？

例子：

  1. TEAC 电视手册 EU2816STF（在 Windows 和 Mac 上的 Adob​​e Reader 中均会出现上述问题，但在 Mac 上的 Preview 中运行良好）
  2. Leadtek Winfast PVR2 手册（FTP 链接；在 Mac 上的预览中也存在问题）
  3. Swann 电视调谐卡手册（FTP 链接；在 Mac 上的预览中也存在问题）
  4. Phonedisc 许可协议（来自现已不复存在的糖尿病管理协会）
  5. 麦格理 IFP 季度基金评论
  6. BAN-TACS 小型企业手册（存档版本）
  7. 2004 年复活节盛会传单（同样来自档案）

我正在使用适用于 Windows 的 Adob​​e Reader（最新版本）——也许其他查看器可能会有帮助？我正在寻找适用于 Windows 的免费解决方案。开源会更好。

编辑：多价文档提取文本工具对为什么会出现问题有一个很好的总结，包括：（引用文件最后修改于 2006 年 1 月）

  • 文本可能没有 Unicode 映射。PDF Type 3 字体通常没有，而 TeX DVI 的字符没有 Unicode 对应字符。
  • Unicode 编码可能有问题。Open Office 将一些字符映射到相同的 Unicode，导致明显的字母丢失和重复。

我猜想这些情况下的最终解决方案是对字体中的每个字形进行 OCR 处理，以找出它到底是什么字符。请注意，这比对有噪声的扫描文档进行 OCR 处理更容易，因为字形的确切形状是可用的（因为它是“矢量”图像，所以分辨率无限）。

答案1

福昕阅读器， 也许？

不管怎样，我刚刚用 Mac OS X 10.6.2 上的 Safari 4.0.4 检查了你链接的 PDF，在那里是一些英语，PDF 呈现完美，没有任何屏幕“垃圾”。也许您遇到了 Unicode 问题（在 Windows 上比在 Mac OS 上更常见）？

答案2

解决此问题的最简单方法是打开文件最新版本的 Google Chrome 内置了 PDF 阅读插件。然后您可以使用 Chrome 的搜索功能查找文本，并且复制粘贴可以正常进行。

答案3

为了电视手册示例：Mac 上的 Adob​​e Reader 8.1.2 也存在同样的问题，但是不使用 Mac 的预览功能复制或搜索文本时出现问题。此外，将其发送到 Gmail 帐户，然后选择“查看”，再选择“纯 HTML”，即可显示文本。但 Adob​​e Reader 不喜欢它。

其文档属性显示字体的“编码：自定义”。其他文档显示“编码：Ansi”或“Roman”之类的内容，并且在 Mac 上的预览和 Adob​​e Reader 中都没有问题：

在此处输入图片描述

在此处输入图片描述

然而，两者丽台和斯旺示例在 Mac 上的预览和 Gmail 中也会出现问题，并且都显示“编码：Identity-H”。电话唱片测试也失败，显示“编码：自定义”。

令人困惑，而且不一致，但一些 Adob​​e 论坛我发现以下解释完后还有显示“编码：自定义”的示例（重点是我的）：

查看 PDF 内部后发现，没有可用的编码信息（无论是在 PDF 中还是在嵌入的字体数据中）来推导文档页面上显示的字符/字形的含义。

字体实际上都是嵌入的，但所有编码信息都被删除了。这是一个典型的 PDF 示例，它在语法上完全符合 PDF 规范，但在制作 PDF 的过程中，有关文本含义的重要信息已被丢弃。据我所知，恢复编码信息非常困难。

这并不能解释为什么 Mac 的预览版（和显然当 Adob​​e Reader 出现故障时，即使使用“编码：自定义”，Infix 也能处理一些示例。也许当计算机本身恰好存在确切的字体时，预览不会出现问题？或者它只是猜测一种编码，这种编码恰好适用于部分文档，但不是全部文档？

无论是什么原因造成的：如果通过 Google Docs 或 Gmail 传递不起作用，那么最简单（但远非容易）的解决方法确实是保存为 TIFF，然后执行光学字符识别 (OCR). 服务包括印象笔记可能会即时执行（它对图像进行 OCR ；我怀疑它是否会对 PDF 进行 OCR）。

答案4

我无法下载文件 1，但可以使用 xpdf（一款快速且开源的 pdf 查看器）打开文件 2。我猜它不能处理表格，但对于纯文本和图形，我更喜欢它，因为它的启动时间很快。

相关内容