Acrobat 的“导出”功能如何在没有有意义的 TTF 字形映射的情况下解释文本？

问题描述

我有一个 PDF，其中复制/粘贴会产生垃圾，查看内部结构，文本是用典型 ASCII 范围之外的值定义的。字符值根据它们出现的顺序依次分配 0x01、0x02 等。这意味着复制/粘贴和 pdftotext 之类的工具不起作用。它说它是用 ghostscript 制作的，但我认为这是通过我不太熟悉的 cups 制作的。

我的问题是，为什么 Acrobat 的“导出”功能在导出为纯文本或 HTML 时可以重现完全可读的文本？

我想我有一个线索，但我知道的不够深入。

我注意到 PDF 流数据中遇到的第一个单词以“Think”开头，这些字节被分配为 0x01、0x02 等。

我从 PDF 数据中裁剪了该字体并运行 ttfdump，其中 cmap 表对于平台 ID 1 如下所示（ID 3 的值相似）：

Char   1 -> Index 55
Char   2 -> Index 75
Char   3 -> Index 76
Char   4 -> Index 81

如果这些映射到 ASCII 代码，它们不会直接对应，但它们之间的距离是有意义的 - 'T' 比 'h' 小 20，而'h' 比'i' 小 1，依此类推。

>

所以我的第一个问题是，Acrobat 是否可能使用它来导出值？如果解释起来很简单，那么后续将更多地了解如何使用这些值。我浏览了字体格式规范，但它很长，我不确定要关注什么。

附言如果需要，我可以提供字体，但不能提供具有私人数据的 PDF（我们不生产也不拥有它）。我也不认为在这种情况下编写自动提取文本的程序是明智的，但我正在尝试为不可避免的“但 Acrobat 可以做到！”收集信息。投诉。

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）