文本搜索PDF

Question

在解析PDF时，给定一个带有Identity-H编码的字符串(从Tj或TJ操作符回调中弹出)，如何将该字符串映射到unicode (比方说UTF8)表示？

如果我需要一个CMap，我该如何创建(或检索)并应用CMap？

Answer 1

您可能必须解析字体数据本身。Identity-H的意思是“使用字节作为给定字体的原始字形索引”。这就是为什么在使用Identity-H时必须嵌入字体的原因。同一字体的不同版本不必具有相同的字形顺序。

在几个不同的开源项目中，有关于如何做这类事情的示例代码。例如，iText (是的，我有偏见)。

你提到过CMap。Identity-H字体可以有CMap，但不是必需的。/ToUnicode条目将是一个CMap流，正如某个adobe规范中所定义的那样。它们并不都那么复杂：

/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。这个特定的CMap效率非常低。"bfrange“从参数1开始，到达并包括参数2，从参数3开始映射值(并继续，直到没有更多的东西需要映射。

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，它只接受两个参数(src和dest值，没有范围)，基于CID的版本(在这一点上，你需要访问Adobe的字符ID表。它们是Acrobat/Reader安装的一部分，尽管Reader需要下载各种语言包(或工具包或其他名称)，以及各种其他东西，您可以通过阅读该规范来了解相关信息。

Answer 2

可以通过多种方式对此数据进行编码(其中一些使用CMAP)。您还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/)