文章/答案/技术大牛

发布

社区首页 >问答首页 >奇怪的PDF文本提取案例

问奇怪的PDF文本提取案例
EN

Stack Overflow用户

提问于 2011-08-11 14:57:06

回答 2查看 214关注 0票数 2

我正在查看以下网址：http://www.unisonagency.com/assets/news/unison_pr_mvsl.pdf

我尝试过的所有开源文本提取工具，都给了我以下标题：

uNISON LAuNCHeS MAGHReb VIRTuAL SCIeNCe LIbRARy: A NeW
PORTAL PROMOTING INTeRNATIONAL SCIeNTIFIC AND
TeCHNICAL COLLAbORATION

然而，Adobe Acrobat Reader提供了更合理的东西--

Unison Launch es Maghr eb Virt ual Sci enc e
Librar y: A New Portal Promoting Int ernational
Scientific and Technical Colla boration

空格是关闭的，但字符大小写更有意义。你知道为什么会有这种差异吗？

pdf

回答 2

Stack Overflow用户

发布于 2011-08-12 04:16:44

显然，这是一个“标记内容”流的例子，其中BDC/EMC操作符用"ActualText“属性注解流，这是正确的文本所在的位置。

文本本身采用UTF-16BE或PDFDocEncoding格式，根据PDF 32000-1:2008中的7.9.2.2

票数 3

Stack Overflow用户

发布于 2011-08-11 16:44:47

字体在文档内部进行描述。文本提取工具错误地解释描述或基于字符代码进行假设。Adobe产品以另一种方式来做，并正确地解释它。

票数 -2

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/7021979

复制

相似问题

问奇怪的PDF文本提取案例
EN

回答 2

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问奇怪的PDF文本提取案例EN

回答 2

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问奇怪的PDF文本提取案例
EN