解析postscript文件

Question

我正在将PDFMiner (开放源码PDF到用python编写的文本程序)转换为objective。有些字体中有一个postscript文件，其中包含字符名和编码值。例如：

/Encoding 256 array
0 1 255 {1 index exch /.notdef put} for
dup 65 /A put
dup 67 /C put
dup 70 /F put
dup 45 /hyphen put

实际上，我不知道上面的代码是干什么的。我猜这会把那对放在字典里。我一点也不确定dup做了什么。上面的代码对我来说意味着，如果我在PDF中看到一个45，然后我会查找它并将它转换成连字符，或者如果我看到一个70，然后我把它转换成一个F等等。

我正在复制的代码使用一个完整的Postscript令牌程序来解析postscript文件中的所有put命令。对于每个put命令，它创建一个具有对应put操作数的键值对的字典。

我的问题是，我真的需要构建一个完整的Postscript令牌程序来解析这些东西吗？

一个简单得多的替代方法是扫描字符串“put”的每一个出现情况，然后查看前面的两个单词。如果前面的两个单词是一个数字，后面跟着一个/x，那么我假设这就是我想要的，否则忽略它。

我一点也不懂postscript，但我想任何人都可以告诉我，我的更简单的替代方案是否有任何会把事情搞砸的角落案例。

谢谢!

Answer 1

冗长的解释，跳到结尾，为简短的答案。

PostScript是一种基于堆栈的编程语言(有点类似于Forth)，'dup‘是一个操作符，它复制操作数堆栈上的顶级对象。

在本例中，它创建一个由256个元素组成的数组，在数组的每个位置使用名称/.notdef填充数组，然后用其他名称替换特定数组索引上的名称(dup重复数组，put使用操作数，包括数组副本)。上面没有显示，但是稍后该数组将与名称/Encoding相关联，键值对存储在字典中，在本例中包含一个字体。

绘制字符代码时，解释器将查找字体字典并检索与键/Encoding关联的对象。然后，它将字符代码用作该数组中的索引，并检索在该数组中找到的对象。然后，解释器从字体中检索CharStrings字典，并使用从编码数组中提取的对象作为CharStrings字典中的键。然后进一步使用与该键关联的对象。在类型为1/2/3的字体中，该对象是用于绘制字形的字形程序。在类型为42的字体中，该对象是一个整数，然后作为GID从字体字典中的/sfnts数组的GLYF表中检索字形程序。

现在首先要注意的是，PostScript是一种编程语言。与上面简单的数组设置不同，我可以编写一个PostScript例程，它接受字体字典、名称和索引，并将其插入到该字体的编码数组中。所以一种简单的扫描模式的方法是行不通的，因为我的程序不是这样做的。

此外，“put”运算符在PostScript编程中被广泛使用，因此简单地搜索“put”是不够的。

所有这些都是一种长篇大论的说法:如果您想使用PostScript程序，您将需要一个完整的PostScript解释器(令牌是不够的，您需要一个完整的解释器)。

现在，关于您的具体情况，您的想法将适用于PostScript类型1字体(除上述警告外)，因为这些字体通常格式良好，遵循一些简单的指导原则，并且在某种程度上适用于类型3的PDF字体，但它不适用于TrueType字体或CIDFonts，而且实际上不适用于上述任何一个子集。(它也不适用于CFF字体，因为它们是二进制编码的，而不是PostScript)

您应该首先检查字体是否有关联的ToUnicode CMap，如果有，您非常幸运，请使用它！这将把字符代码映射到Unicode代码点，完成工作。

在没有ToUnicode CMap的情况下，您无法保证可以提取文本，这可能是完全不可能的。如果您使用的是TrueType字体，您可以逆向工程编码并提取字符代码->GID映射，然后您可以查找TrueType字体的CMAP表，并查看它是否具有Unicode (大多数情况下)，在这种情况下，您可以使用它。

如果所有这些都失败了，您可以检查字体在字体对象中是否有标准编码，这些都列在PDF引用中。

所以这告诉你，字体程序中的编码对你没有多大用处。如果没有应用其他编码，则为字体的默认顺序。PDF文件总是应用自己的编码(它是字体对象中必需的条目)。因此，实际PostScript字体中的编码对您没有什么用处，它会被PDF文件中的条目覆盖。因此，您根本不需要解释字体，类型1，2或3字体。

只有当上述所有内容都失败时，才能开始查看编码中的名称( PDF文件中的编码，而不是字体！)。您需要意识到，仅仅因为有人在编码中添加了一个名称，并不意味着这是由字形程序绘制的实际字形.

对于CIDFonts，如果它没有ToUnicode CMap，您可能会陷入困境，但您可以查看CIDSystemInfo，以获得注册表和排序方面的线索。

这一切都取决于您想要多彻底，实际上您希望得到的程序执行得有多好，同时要记住，如果不使用OCR解决方案，就不可能达到100%的准确性。

总之，简短的回答是‘你不需要那样做，戴夫’。字体程序中的编码毫无用处，因为它被PDF文件中的编码所覆盖。