复制的文字为何变成垃圾？

Question

这不是我遇到的第一个 PDF，其中一些文本可以成功复制到剪贴板并粘贴到其他地方，而其他部分则变成了垃圾。

以下是一个例子：

我使用 Adob​​e Acrobat、Foxit Reader 和 SumatraPDF 打开了同一个文档，它们都显示同样的问题。

为什么会发生这种情况？原始 PDF 制作应用程序（此处：“PDFCreator”）对某些页面的处理方式是否不同？原始文档的不同页面是否可能是使用不同的工具构建的（例如，某些页面使用 Word，其他页面使用 PowerPoint）？

有什么我可以尝试的吗？

值得一提的是，这是在 Windows 7 主机上。

谢谢。

Answer 1

在 PDF 中，字符形状可能是文本，也可能不是文本（它们可能是矢量路径）。例如，与 Web Colour 表情符号字体不同，它们可能是单色形状，一些 Writer 字体将其存储为方框（带或不带图像叠加），而其他则将其存储为字体中的单色符号等价物。

字符主要是 10101010，然后映射 (CMap) 为 Ascii A 或表情符号 þ，采用命名或无名 (CID) 字体。特别是如果字体未嵌入或子集，则该字符在不同的用户设备中可能会有所不同！这就是 PDF (trans-Portable Doc with Fonts) 的最初原因。

如果字符转换很简单，比如 Roman Cyphers，则可以在 PDF 阅读器中应用更正，但在严重的 MojiBake 情况下，提取不可映射，也不可更正。

通常最糟糕的原因可能是 OCR，其​​中人工干预（例如检查）不属于 QA 的一部分。