pdftotext 以某种方式将特定 pdf 的所有空格字符（“ ”）转换为百分号（“％”），并将所有破折号（“ - ”）转换为六（“6”）。
知道如何防止这种行为吗？或者如何诊断？
不幸的是，我目前无法分享 PDF。这可能会让回答这个问题变得太难。但也许有人可以根据这些奇怪的字符替换做出很好的猜测。
pdftotext 版本 0.26.5
答案1
猜测：这个 PDF 使用了一种奇怪的字体，它实际上包含空格（通常，空格是通过定位字符来完成的），并且具有特殊形式的破折号。这两个字形在特殊字体中占据了其他字体中%和的两个位置6。
pdftext对此一无所知，它只是看到“将此字体的字形放在此处”（因为 PDF 文件就是这样的），所以它错误地认为它是文本。
诊断：使用软件包mutool中的mupdf工具（或其他工具）解压流，在必要时可以处理大文件的文本编辑器（例如 emacs）中打开结果，查看页面的呈现方式。如果您想了解有关 PDF 呈现方式的更多详细信息，请 Google 搜索 PDF 规范。
或者：从 PDF 中提取字体，查看其中一种字体是否具有所述的两个字形。