扫描时CGPDFScanner - \x15字符

Question

我试图在pdf格式中提取第5页的文本。

pdf有一个字体YLJAAA+CMSY10，它没有映射(CMap)甚至编码(默认编码或/Differences)。

在提取文本时，字符串"tetex package“CGPDFScanner返回多次遇到的”x15“字符。

当遇到这个字符时，当前字体是上面提到的字体，它没有从pdf字符串中提取文本。这是什么\x15字符？

谢谢。

Answer 1

我发现有两次(不是“很多”)发生了这种情况：

[ (\025) ] TJ

这是一个八进制的数字，这是十六进制中的\x15。

PDF中"YLJAA+CMSY10“的字体定义没有特殊编码，因此它具有"CMSY”(“计算机现代符号”)的默认编码：

114 0 obj
<<
  /Type         /Font
  /Subtype      /Type1
  /BaseFont     210 0 R % -> "/YLJAAA+CMSY10"
  /FirstChar    0
  /FontDescriptor 211 0 R
  /LastChar     127
  /Widths       204 0 R
>>

211 0 obj
<<
  /Ascent       750
  /CapHeight    683
  /CharSet      (/bullet/greaterequal/arrowright/arrowdblright/element/negationslash/backslash/radical)
  /Descent      0
  /Flags        4
  /FontBBox     [ -29 -960 1116 775 ]
  /FontFile     205 0 R
  /FontName     210 0 R   % -> '/YLJAAA+CMSY10'
  /ItalicAngle  -14
  /StemV        85
  /XHeight      430
>>
endobj

就其本身而言，这仍然不能确定: PDF生成器可以随意地重新排序符号和编码，只要它对嵌入的字体做同样的操作)。假设字体集没有重新排序，检查CMxx编码的随机列表显示字符代码0x1F很可能大于OR等于(Unicode U+2265)。

Acrobat同意；检查PDF中的字体显示字符代码21 (十进制)被命名为“大于或等于”，并且看起来也是如此。