如果有人能帮忙我会很感激
我尝试通过 pdftotext 从多个 pdf 文件中输出文本。不幸的是，我的输出结果总是像这样：“* * * $ * # 2 %
最初我以为问题在于字体是 Arial，所以我安装了 Arial 字体，但没有任何变化。使用不同的编码选项也没有带来任何更好的结果。在安装 Arial 字体之前，evince 无法在 pdf 文件中显示文本，但安装后 pdf 可以正常显示，所以我认为这是主要问题，但显然不是。
我正在使用 Centos 6.7
提前感谢您的任何反馈。
答案1
不确定这里是否是这种情况，但 PDF 文件甚至可能使用随意的字符编码，仅通过索引（0、1、...）引用嵌入的字形。这足以获得正确的渲染（=视觉外观），但出于实际目的，文本将会丢失。
在这种情况下，使用 PDF 上的 OCR 几乎是获取原始文本的唯一方法。或者猜测每个 PDF 的单字母替换，如果它是真的重要文件。