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： 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） Leadtek Winfast PVR2手册（FTP链接；在Mac上的Preview中也有问题） Swann电视调谐器卡手册（FTP链接；在Mac上的“预览”中也有问题） Phonedisc许可协议（来自现已废止的DTMS） 麦格理IFP季度基金回顾 BAN-TACS小型企业手册（存档版本） 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）。