使用非标准字符编码搜索PDF

当您复制文本时，某些PDF文件会产生垃圾（“ mojibake ”）（即使它们呈现为OK）。这样就无法搜索它们（无论您搜索的是什么都不匹配的垃圾）。

有人有简单的解决方法吗？

例子：

1. TEAC TV手册EU2816STF（在Windows和Mac上均在Adobe Reader中产生上述问题，但在Mac上的Preview中工作正常）
2. Leadtek Winfast PVR2手册（FTP链接；在Mac上的Preview中也有问题）
3. Swann电视调谐器卡手册（FTP链接；在Mac上的“预览”中也有问题）
4. Phonedisc许可协议（来自现已废止的DTMS）
5. 麦格理IFP季度基金回顾
6. BAN-TACS小型企业手册（存档版本）
7. 2004年复活节复活传单（也来自档案馆）

我正在使用Windows的Adobe Reader（最新版本）-也许使用其他查看器可能会有所帮助？我正在寻找Windows的免费解决方案。开源会更好。

编辑：“多价提取文本”工具的文档很好地总结了为什么会出错，包括：（引用的文档最后修改于2006年1月）

• 文本可能没有Unicode映射。PDF Type 3字体通常没有，并且TeX DVI的字符没有Unicode等效项。
• Unicode编码可能有问题。Open Office将某些字符映射为相同的Unicode，从而导致外观字母掉落并加倍。

我猜在这些情况下，最终的解决方案是对字体中的每个字形进行OCR运算，以确定其真正的字符。请注意，这比OCR处理嘈杂的扫描文档要容易，因为可以使用字形的确切形状（因为它是“矢量”图像，所以分辨率无限大）。

福昕阅读器，也许吗？

对于它的价值，我只是检查链接到您的Safari 4.0.4在Mac OS X 10.6.2的PDF，虽然有是一些Engrish，它完美呈现，没有任何屏幕上的“垃圾”的PDF。也许您遇到Unicode问题（在Windows上比Mac OS更为常见）？

解决此问题的最简单方法是使用内置的PDF阅读插件在最新版本的Google Chrome浏览器中打开文件。然后，您可以使用Chrome的搜索功能查找文本，然后复制粘贴即可正常工作。

对于电视手册示例：在Mac上的Adobe Reader 8.1.2中存在相同的问题，但使用Mac的Preview复制或搜索文本没有问题。另外，将其发送到Gmail帐户，然后选择“查看”，然后选择“纯HTML”将显示文本。但是Adobe Reader不喜欢它。

其文档属性显示字体的“编码：自定义”。另一个文档显示“ Encoding：Ansi”或“ Roman”之类的东西，在Mac上的Preview或Adobe Reader中都没有问题：

但是，Leadtek和Swann示例在Mac上和Gmail中的Preview中也都出现问题，并且都显示“ Encoding：Identity-H”。该Phonedisc测试失败也与“编码：自定义”。

令人困惑且不一致，但是在一些Adobe论坛上，我找到了另一个说明示例“ Encoding：Custom”（强调我的意思）的以下解释：

在查看PDF内部之后，发现没有可用的编码信息（在PDF和嵌入字体数据中均不存在）来导出显示在文档页面上的字符/字形的含义。

字体实际上都是嵌入的，但是所有编码信息都已被删除。这是PDF的典型示例，该语法在语法上完全符合PDF规范，但是在制作PDF的过程中丢弃了有关文本含义的重要信息。据我所知，要恢复编码信息将非常困难。

这并不能解释为什么当Adobe Reader失败时，即使使用“编码：自定义”，Mac的Preview（显然还有Infix）也可以处理某些示例。确切的字体恰巧出现在计算机本身上时，也许预览没有问题？还是只是猜测一种编码，而这种编码恰好适用于部分而非全部文档？

不管是什么原因造成的：如果无法通过Google Docs或Gmail传递，那么最简单（但远非如此简单）的解决方法也许确实是另存为TIFF然后执行OCR。Evernote之类的服务可能会即时执行（它会在图像上执行OCR；我怀疑它将在PDF上执行OCR）。

文件1的下载对我来说失败了，文件2我可以使用xpdf（一个快速且开源的pdf查看器）打开。我猜它不能处理表单，但是对于纯文本和grafic，我更喜欢它的快速启动时间。

不幸的是，这无济于事。PDF文档实际上不包含任何字母，但是它们包含字母的形状。换句话说，与其阅读其他字母并将其绘制在屏幕上的Adobe Reader一样，不如其他PDF阅读应用程序那样，它只会绘制文件中编码的矢量图形。

但是，某些PDF阅读器随附了允许通过使用文本识别来分析形状并恢复文本的软件。它的工作原理与您扫描纸质打印文本并使用ABBYY FineReader之类的软件将其转换回文本一样，但是由于无限高质量的矢量绘图，结果通常要比扫描文档好得多。

通过欺骗Adobe Reader，可以防止某些文档被转换为文本。例如，可以以几种重叠的形状绘制字母，以使它们在视觉上看起来仍然相同，而文本识别软件将无法识别文本。您的文件就是这种保护的一个例子。

一种方法是将文档打印到图像中，然后让文本识别软件对其进行识别。图像的高分辨率会提高质量。但是，这种方法并不是很方便。