无法使用tika从pdf文件中提取文本内容

Question

我正在使用生成'.ps'文件的Postscript打印机，并且正在使用我的Linux机器中的'ps2pdf'命令将该.ps文件转换为.pdf。这是在这里生成的文件，它的内容是不可选择和可复制的。当我尝试使用apache Tika从同一pdf文件中提取内容时，它返回一个空字符串（表示无法提取）。我认为这可能是问题一些字体，所以我也安装了一些新的字体，但仍然没有为我工作。

我无法找出问题所在。无论是打印机驱动程序还是ghostscript（用于将'.ps'转换为'.pdf'）的问题，还是字体问题-其他。

使用tika检索内容时，它会打印一些警告（不是错误），如下所示。

WARN No Unicode mapping for CID+1 (1) in font WKQJKU+ArialNarrow-Identity-H 
WARN No Unicode mapping for CID+2 (2) in font WKQJKU+ArialNarrow-Identity-H 
WARN No Unicode mapping for CID+3 (3) in font WKQJKU+ArialNarrow-Identity-H 
WARN No Unicode mapping for CID+4 (4) in font WKQJKU+ArialNarrow-Identity-H 
WARN No Unicode mapping for CID+5 (5) in font WKQJKU+ArialNarrow-Identity-H 

....

任何帮助预先感谢.Thanks。

Answer 1

没有看到原始的PostScript文件和PDF，它不能真正说出问题是什么，或者它是否可以修复。您需要将文件公布在某个地方。

您也不会说'ps2pdf'命令是什么，有几个不同的实用程序使用相同的名称。如果使用Ghostscript，那么它在运行时会这样说。如果是这样，你会更好地直接运行Ghostscript以避免混淆。你还应该引用你正在使用的Ghostscript版本。

现在PostScript程序通常打算发送给打印机进行打印。因此，使用什么字符代码来表示字形并不重要，只要字体编码和字符代码组合在输出上产生预期的字符形状即可。因此，绝对不能保证原始应用程序中的'A'，在纸上打印为'A'，实际上以字符代码0x41表示。一个应用程序创建一个子集字体的情况并不少见，它只包含实际打印的字形，并且它的排列使得要打印的第一个字符被赋予代码1，第二个被赋予代码2等。因此'你好'将是0x01 0x02 0x03 0x03 0x04

Windows PostScript打印机驱动程序添加一个非标准的G2U表，它将字形名称映射到Unicode代码点，并且使用它可以构造一个ToUnicode CMap并将其嵌入到PDF文件。这允许将复杂的编码转换为Unicode值，这意味着搜索和复制/粘贴将起作用。

但是您还没有说过您使用哪种系统来创建PostScript程序，并且由于您没有提供示例，我们只是不知道您的PostScript是如何生成的。

看起来您的PDF文件正在使用CIDFont，并且不包含ToUnicode CMap。这是不太可能的，这将产生一个PDF文件，您可以复制/粘贴东西。当然，这不是PDF的原始目标，这就是为什么它不能保证是可能的。

很可能没有办法将PostScript文件转换为可编辑的PDF文件，但是您没有提供足够的信息来说明。

[稍后]

后记由开罗PDF文件生成，有可能，但是这并不完全清楚，它可能仅仅是开罗的工作方式。在任何情况下....PostScript包含CIDFontType 2（TrueType轮廓）的嵌入子集CIDFont。由于PostScript没有提供Unicode信息的定义机制，因此没有提供。如上所述，'encoding'是在遇到字符时创建的，因此第一个glyph编码为0x01等。

这样做的结果是没有简单的方法从此PostScript文件中提取有意义的文本，除了打印它和使用OCR当然。

可以想象，CIDFont的sfnts包含一个3,0 CMAP子表，它可以将字形ID映射到Unicode值，但这需要我一些时间来检查。但是，即使是这种情况，Ghostscript的pdfwrite代码目前也不会尝试这一壮举（Acrobat Distiller也不是我知道的任何其他PostScript to PDF创建者）。

因此，基本上，你不能做你想做的事情。为什么不让开罗生成PDF文件而不是PostScript文件？它更可能以我想象的那种方式工作。当然，这可能意味着你必须看看你的虚拟打印机是如何工作的，如果你使用的是CUPS，我应该可以这样想，因为PDF是现代版本的CUPS所使用的常用格式。