使用PDFTextStream从PDF文件中提取僧伽罗字符

Question

我试图得到一个pdf的内容，是在僧伽罗(例如：http://archives.dailynews.lk/2001/pix/GazetteS14-01-03.pdf)。

我在计算机中保存了pdf，并使用了以下代码。

import java.io.IOException;

import com.snowtide.pdf.OutputTarget;
import com.snowtide.pdf.PDFTextStream;

public class ExtractTextAllPages {
    public static void main (String[] args) throws IOException {
        String pdfFilePath = "/home/chamila/semester7/fyp/gazette/GazetteS14-01-03.pdf";
        PDFTextStream pdfts = new PDFTextStream(pdfFilePath); 
        StringBuilder text = new StringBuilder(1024);
        pdfts.pipe(new OutputTarget(text));
        pdfts.close();
        System.out.printf("The text extracted from %s is:", pdfFilePath);
        System.out.println(text);
    }
}

但是，作为输出，我得到的是如下所示。

Y%S ,xld m%cd;dka;%sl iudcjd§ ckrcfha .eiÜ m;%h                 1
wxl 1"844 – 2014 ckjdß ui 03 jeks isl=rdod – 2014'01'03

^rcfha n,hmsg m%isoaO lrk ,§'&

I jeks fldgi : ^IIw& jeks fPoh - m<lsÍï
;k;=re - wenE3;=

                 Y%S ,xld fmd,sia fomd3;fïka;=j
.............................

原因是什么？我怎样才能得到pdf的确切内容？

Answer 1

原因是什么？

所讨论的文档根本不包含用于正确提取文本的信息。更糟糕的是，它包含了误导的信息。

例如

头线

​

​

使用以下运算符生成：

BT
/TT4 1 Tf
19.2 0 0 32 184.205 938.105 Tm
-0.0006 Tc
0.1376 Tw
(Y%S ,xld m%cd;dka;%sl iudcjd§ ckrcfha .eiÜ m;%h) Tj
ET

(即使用字体TT4，在一定大小的位置使用特定的字符和字间距绘制序列Y%S ,xld m%cd;dka;%sl iudcjd§ ckrcfha .eiÜ m;%h。)

字体TT4现在声称是：

/Subtype/TrueType
/FontDescriptor 66 0 R
/LastChar 255
/Widths[...]
/BaseFont/CKAKNH+FMAbabldBold
/FirstChar 32
/Encoding/WinAnsiEncoding
/Type/Font

即使用WinAnsiEncoding的TrueType字体，而不使用ToUnicode映射。

因此，文本提取器被认为作为标题绘制的序列Y%S ,xld m%cd;dka;%sl iudcjd§ ckrcfha .eiÜ m;%h表示字符"Y%S，xld m%cd;dka;%sl iudcjd§ckrcfha .eiÜm;%h"，因此PDFTextStream返回该字符串。

显示的象形文字显示不同的字符，这是因为嵌入式字体文件对那些看起来完全不同于"Y%S，xld m%cd;dka;%sl iudcjd§ckrcfha .eiÜm;%h“的字体具有图形绘制指令。

我怎样才能得到pdf的确切内容？

使用OCR。

Answer 2

根据雪潮文档(http://downloads.snowtide.com/javadoc/PDFTextStream/2.3.2/index.html?pdfts/examples/XMLFormExport.html )，PDFTextStream支持所有单字节和双字节的Unicode字符集.

据我所知，僧伽罗的大部分字符都是三个字节。这就是问题所在