解析PDF时,给定一个使用Identity-H编码的字符串(从Tj或TJ运算符回调中弹出),如何将该字符串映射为Unicode(如UTF8)表示?文本搜索PDF
如果我需要一个CMap为此,我如何创建(或检索)并应用CMap?
解析PDF时,给定一个使用Identity-H编码的字符串(从Tj或TJ运算符回调中弹出),如何将该字符串映射为Unicode(如UTF8)表示?文本搜索PDF
如果我需要一个CMap为此,我如何创建(或检索)并应用CMap?
您可能必须解析字体数据本身。 Identity-H只是意味着“将字节用作原始字形索引到指定字体中”。这就是为什么在使用Identity-H时必须嵌入字体......相同字体的不同版本不必具有相同的字形顺序。
这里有一些示例代码,说明如何在几个不同的开源项目中做这种事情。 iText,例如(是的,我有偏见)。
你刚才提到了CMap。 Identity-H字体可以有一个CMap,但不需要这样做。/ToUnicode条目将是一个CMap流,正如某些adobe规范中所定义的那样。他们并不是那么复杂:
/CIDInit /ProcSet findresource begin
12 dict begin
begincmap
/CIDSystemInfo
<< /Registry (TTX+0)
/Ordering (T42UV)
/Supplement 0
>> def
/CMapName /TTX+0 def
/CMapType 2 def
1 begincodespacerange
<0000><FFFF>
endcodespacerange
80 beginbfrange
<0003><0003><0020>
<0024><0024><0041>
<0025><0025><0042>
<0026><0026><0043>
<0027><0027><0044>
<0028><0028><0045>
<0029><0029><0046>
<002a><002a><0047>
<002b><002b><0048>
<002c><002c><0049>
<002d><002d><004a>
<002e><002e><004b>
<002f><002f><004c>
<0030><0030><004d>
<0031><0031><004e>
<0032><0032><004f>
<0033><0033><0050>
<0034><0034><0051>
<0035><0035><0052>
<0036><0036><0053>
<0037><0037><0054>
<0038><0038><0055>
<0039><0039><0056>
<003a><003a><0057>
<003b><003b><0058>
<003c><003c><0059>
<003d><003d><005a>
<0065><0065><00c9>
<00c8><00c8><00c1>
<00cb><00cb><00cd>
<00cf><00cf><00d3>
<00d2><00d2><00da>
<00e2><00e2><0160>
<00e4><00e4><017d>
<00e9><00e9><00dd>
<00fd><00fd><010c>
<0104><0104><0104>
<0106><0106><010e>
<0109><0109><0118>
<010b><010b><011a>
<0115><0115><0147>
<011b><011b><0158>
<0121><0121><0164>
<0123><0123><016e>
<01a0><01a0><0116>
<01b2><01b2><012e>
<01cb><01cb><016a>
<01cf><01cf><0172>
<022c><022c><0401>
<023b><023b><0411>
<023c><023c><0412>
<023d><023d><0413>
<023e><023e><0414>
<023f><023f><0415>
<0240><0240><0416>
<0241><0241><0417>
<0242><0242><0418>
<0243><0243><0419>
<0244><0244><041a>
<0245><0245><041b>
<0246><0246><041c>
<0247><0247><041d>
<0248><0248><041e>
<0249><0249><041f>
<024a><024a><0420>
<024b><024b><0421>
<024c><024c><0422>
<024d><024d><0423>
<024e><024e><0424>
<024f><024f><0425>
<0250><0250><0426>
<0251><0251><0427>
<0252><0252><0428>
<0253><0253><0429>
<0254><0254><042a>
<0255><0255><042b>
<0256><0256><042c>
<0257><0257><042d>
<0258><0258><042e>
<0259><0259><042f>
endbfrange
endcmap
CMapName currentdict /CMap defineresource pop
end end
哇。那个特定的CMap非常低效。 A“bfrange”从参数1开始,并且前进到,并且包括参数2,马平值开始在参数3(和在继续,直到没有更多的东西来映射
,例如:
<0003><0003><0020>
<0024><0024><0041>
<0025><0025><0042>
<0026><0026><0043>
<0027><0027><0044>
<0028><0028><0045>
<0029><0029><0046>
<002a><002a><0047>
<002b><002b><0048>
<002c><002c><0049>
<002d><002d><004a>
<002e><002e><004b>
<002f><002f><004c>
<0030><0030><004d>
<0031><0031><004e>
<0032><0032><004f>
可以表示为
<0003><0003><0020>
<0024><0032><0041>
A quick google search turned up the CMap/CID font spec。
还有beginbfchar
/endbfchar
其中菊st需要两个参数(src和dest值,没有范围),基于CID的版本(在这一点上,您需要访问Adobe的字符ID表。它们是Acrobat/Reader安装程序的一部分,但Reader需要被推动下载各种语言包(或套件或任何他们称之为的))以及您真正阅读该规范以了解有关的其他各种内容。
这种数据可能有多种编码方式(一些使用CMAP)。您也可以使用自定义编码(http://www.jpedal.org/PDFblog/2011/04/understanding-the-pdf-file-format-%E2%80%93-custom-font-encodings/)。您还需要了解CID字体(http://www.jpedal.org/PDFblog/2011/03/understanding-the-pdf-file-format-%E2%80%93-what-are-cid-fonts/)
非常感谢您的回复。我有PDF的官方指南,我已阅读了一些内容,并决定进行详细阅读。我正在浏览你的链接 - 感谢这些。 – SK9 2011-05-15 14:24:33
在我的情况下,当前字体编码为“Identity-H”时,嵌入字体有一个FontDescriptor,它的流具有带“Filter”键和值“FlateDecode”的字典。这是否意味着我只需要使用zLib解压缩(比如说)在'Tj'中找到的文本来获取unicode字符串? (当然不是......) – SK9 2011-05-18 13:46:49
正确。字体文件(或其一部分)使用zLib进行压缩。你需要解压缩它并阅读字体的字形 - >字符表来找出Tj中的哪些字符表示什么。只是为了好玩,字体子集不需要包含这些信息......在这一点上它是“OCR或胸围”。 – 2011-05-18 16:01:03
“正确”,如“不,这不行”。 – 2011-05-18 16:47:25