PDF 通常包含没有明确映射到 Unicode 的字体，从而阻止我们从中提取正确的文本——Adobe，你真该死！
我需要在 Linux 系统上批量处理 PDF。我这里有几个带有连字符的示例，但我尝试过的任何工具都无法识别连字符；结果总是包含大量不完整的半字。
有没有办法提供缺失的字符映射而不是删除未定义的符号？
答案1
示例 PDF 编码正确：它包含字体到 unicode 表，如果我尝试使用 进行复制粘贴mupdf，第二段中 Хлебникова 中的连字符将变为 U+00AD SOFT HYPHEN。因此，如果需要，可以通过一些后处理来连接单词。
不幸的是，许多 PDF 工具对 Unicode 的支持已经中断。
识别 PDF 中的空格很困难，因为 PDF 格式不描述空格，它只描述字形在页面上的位置。因此 ebook-convert 中的空格猜测算法似乎不是最优的，但这与编码无关。
据我所知，mupdf它不包含批量提取文本的工具，但谷歌搜索可以找到例如这第三方代码。我还没试过。