从文档中复制/粘贴（PDF，docx） - 变音符号的奇怪行为

当我使用捷克语字符从PDF（预览）或Docx（页面）复制文本时，一些捷克字符会被复制，其重音“卡住”。

为了使这更奇怪，这种行为非常不一致：有时“ř”被复制得很好，有时则不是。此外，它似乎没有连接到特定的字体。但我认为这种情况更常发生在字体上，这些字体不是OSX原生的（例如Cambria，恰好是MS Office的默认设置）。

“í”的CMD + C结果：“í”

为什么会这样？

编辑

OSX：10.13.6（虽然它发生在我的旧操作系统甚至其他机器上）
应用程序，我复制了以下文本：预览（PDF），页面（doc，docx）
应用程序，我将文本粘贴到：任何东西（从Sublime文本到StackExchange中的文本编辑器，见上文）

此外，我注意到这通常发生在单词的末尾（可能是行的末尾）。一旦它再次发生，我将证实这一点，因为这种行为令人沮丧地难以重现。

— Petr Cibulka
source

你能澄清一下你的流程是什么吗？用Pages打开.docx文件，然后导出为pdf，然后复制/粘贴？哪里？

— Tom Gewecke

用Pages打开一个.docx文件（例如，这也发生在其他工具上），复制文本，将其粘贴到任何地方（无论是Sublime文本，WordPress TinyMCE编辑器还是其他任何东西）。

— Petr Cibulka

此行为有时会发生在doc / docx中（如上所述），有时以pdf（例如在Preview中打开）发生。我遗憾地没有安装MS Word，所以我无法测试那里的文本。

— Petr Cibulka

@TomGewecke，我已经用这些细节编辑了我的问题。谢谢！

— Petr Cibulka

使用Adobe Reader而不是预览会有所作为吗？这是pdf的黄金标准。

— Tom Gewecke

Answers:

你面对的是一个的许多症状的什么，我认为每一个现代程序员存在的祸根：Unicode规范化和交换字符编码。

人们可以在这个混乱的历史上写一本1000页的书（如果有人已经我不会感到惊讶），所以我会把它归结为你在这里所遇到的基础知识（而且我'我会过分简化一下），但接下来我会给你一些“进一步阅读”的链接。

首先，让我们确保您的菜单栏中有输入菜单：在“系统偏好设置”中，打开“键盘首选项”窗格并勾选“输入源”下的框。然后从该菜单项打开现在称为“显示表情符号和符号”的内容。在窗口的左上角，选择“自定义列表”，转到“代码表”并选中“Unicode”和“ISO-8859-1”。我们将做一个简短的讲座然后演示。

同样，这里有两个相互关联但分开的问题：

1.字符编码

我认为这是这个特定问题的根本原因。问题是微软多年来一直因为不能很好地处理Unicode而臭名昭着，因为它的平台或多或少地坚持使用旧的多语言字符集实现，这些字符集被称为“宽字符”，UCS-2或UTF-16。这个系统是在几年前实现的，当时人们认为16位（代表~65,000个字符）足以编码我们需要的每个符号。今天，有1,114,112个标准化的Unicode符号。

所以今天，大多数系统（以及Apple的所有系统）都使用称为UTF-8的编码，这是一种可变宽度的字符编码，其中没有设定的位数来编码任何给定的字符。这允许它向后兼容ASCII，并且还可以容纳添加新的符号和字符。

因此，当复制文本进出使用不同字符集（如Microsoft）的程序时，字符集需要完全重新编码和转换，这是一个传统上称为的过程iconv，尽管有几十个实现如何已经完成了。

2. Unicode组合字符

使编码问题更加复杂的是，多年来Unicode标准已经发展，并且意识到为了将独特字符的数量限制为“仅”数百万而不是数十亿，最好是有一些字符是“组合字符”，以常规方式修改前一个字符的字符。通过这样做，每个重音变体的每个字母都不需要单独的条目，只需在原始字符中添加“共享”重音字符即可。但并不总是这样做，所以有多种方法可以产生相同的符号。你的是一个完美的例子。

我们从符号LATIN SMALL LETTER I（U + 0069）开始：

`i`

现在，当您想要添加锐音时，Microsoft 会将其替换为

带有急性的拉丁文小写字母（U + 00ED）：

`í`

但苹果却增加了第二个角色，COMBINING ACUTE ACCENT（U + 0301）：

`́`

你可以自己做（这里是角色查看器的来源）。只需键入一个i，然后combining acute在字符查看器中搜索，双击该符号，然后：

`í`

事实上，这与上面的第一个符号完全不同。它是LATIN SMALL LETTER I（U + 0069），然后是 COMBINING ACUTE ACCENT（U + 0301）。将每个复制并粘贴到角色查看器中，您将看到我的意思。

是的，两者在视觉上代表相同的符号。但是，如果沿着某条线（通常与字符集转换大致相同），UTF-8进程会添加组合字符，但保留原始预组合字符？也就是说，当“组合符号”方法以某种方式添加到旧版本而不是替换它时会发生什么？那么，“结合角色”的口音仍然需要完成它的工作。

所以，当一个人将 LATIN SMALL LETTER I和 ACUTE（U + 00ED）与COMBINING ACUTE ACCENT（U + 0301）组合在一起时：

`í́`

你有它。

有一个非常着名的Stack Overflow答案，演示了这可以走多远。

一些轻读：

— 杰夫尼克松
source

杰夫，我喜欢你对我们如何处理í́局面的阐述。:)感谢和抱歉没有能够奖励你的赏金（因为你绝对值得），我没有抓住它的时间限制...

— Petr Cibulka

关于来自pdf的复制/粘贴，非ascii字符的处理可能会受到特定pdf创建过程的影响。如果没有关于如何生成pdf文件的信息，例如编码和使用的字体，则很难确定结果不正确的原因。

— Tom Gewecke
source

是的，我知道当它发生如此随机时很难确定问题。我希望有人会有类似的经历，可以对那里的情况有所了解。

— Petr Cibulka