Ghostscript正在将pdf转换为文本文件，输出不可读

Question

我正在尝试将pdf文档转换为文本文件。一切正常，直到我打开输出文件，看到它是不可读的字符是一些中文字体

“琀攀猀琀 ”

这是我的命令行

gswin64c.exe -ps2ascii -sDEVICE=txtwrite -sOutputFile=outputtext.txt test.pdf 

我做错了什么吗？

Answer 1

您还没有发布该文件，因此不可能绝对确定，但是...

几乎可以肯定的是，PDF文件中的文本不是使用ASCII编码方案编码的(可能包含日落字体)，并且不包含相关字体的ToUnicode CMap。此外，字形名称不是标准名称(或者是TrueType字体，没有命名字形)。

如果没有上面的任何信息，txtwrite就不知道字符代码代表什么，所以只会逐字地发出它们。

考虑到您看到的是中文字形，我怀疑原始字体是一个CIDFont，可能是一个TrueType字体子集，并且没有ToUnicode CMap。

在这种情况下，获取文本的唯一方法是使用OCR。