Что это (cid:51) в выводе pdf2txt?

Поэтому я пытаюсь извлечь текст из PDF-файла, мне нужно его положение, ширина, высота, шрифт.

Я пробовал много, но наиболее полезным и полным решением выглядит PDFMiner, а в данном случае, точнее, pdf2txt.py.

Я следовал документам и примерам и пытался извлечь текст Learn More из моего PDF с помощью этой команды:

pdf2txt.py -Y normal -t xml -o buttons.xml buttons.pdf

И выход buttons.xml выглядит так:

<?xml version="1.0" encoding="utf-8" ?>
  <pages>
      <page id="1" bbox="0.000,0.000,799.900,449.944" rotate="0">
      <textbox id="0" bbox="164.979,213.240,247.680,235.944">
          <textline bbox="164.979,213.240,247.680,235.944">
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="164.979,213.240,178.978,235.944" size="22.704">(cid:51)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="173.280,213.240,187.278,235.944" size="22.704">(cid:76)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="181.315,213.240,195.313,235.944" size="22.704">(cid:72)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="189.350,213.240,203.348,235.944" size="22.704">(cid:89)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="194.795,213.240,208.793,235.944" size="22.704">(cid:85)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="203.096,213.240,217.094,235.944" size="22.704">(cid:3)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="206.987,213.240,220.986,235.944" size="22.704">(cid:52)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="219.684,213.240,233.682,235.944" size="22.704">(cid:86)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="228.237,213.240,242.235,235.944" size="22.704">(cid:89)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="233.682,213.240,247.680,235.944" size="22.704">(cid:76)</text>
              <text></text>
          </textline>
          </textbox>
          <textgroup bbox="164.979,213.240,419.659,235.944">
              <textbox id="0" bbox="164.979,213.240,247.680,235.944" />
          </textgroup>
      </page>
  </pages>

Первый символ должен быть L и 51 (cid:51) похоже, не соответствует ни одному из символов, которые у меня есть в предложении, относительно таблицы ascii и таблицы utf-8

Итак, как говорится в заголовке, мне интересно, что это такое и как их использовать (cid:51)...?

РЕДАКТИРОВАТЬ

Поэтому я обнаружил, что вместо получения реального символа программа пишет (cid:%d), потому что он не распознает, что это строка в кодировке Unicode.

Сначала она вызывает эту функцию, чтобы написать символ:

def render_char(self, matrix, font, fontsize, scaling, rise, cid):
    try:
        text = font.to_unichr(cid)
        assert isinstance(text, unicode), text
    except PDFUnicodeNotDefined:
        text = self.handle_undefined_char(font, cid)

Но assert провалить событие PDFUnicodeNotDefined который пойман и звонит:

def handle_undefined_char(self, font, cid):
    if self.debug:
        print >>sys.stderr, 'undefined: %r, %r' % (font, cid)
    return '(cid:%d)' % cid

И вот как я заканчиваю файл, содержащий все это (cid:%d).

Я довольно новичок в python и пытаюсь найти способ распознать эти символы, это должно быть одно нет? У кого-нибудь есть идеи?

Источник

1 ответ

Чтобы понять, как интерпретировать cid, вам нужно знать пару вещей:

  1. Registry-Ordering-Supplement (ROS) информация о шрифте, о котором идет речь. Обычно это что-то вроде "Adobe-Japan1-5" и является информационным свойством, хранящимся в шрифте. ROS определяет, как CID должны интерпретироваться.

  2. Вооружившись информацией о ROS, выберите совместимый CMap и декодируйте через него. Файлы CMap для ROS, определенных Adobe, можно найти по адресу http://sourceforge.net/projects/cmap.adobe/files/

Более подробную информацию о CID и CMaps непосредственно от изобретателей можно найти по адресу http://www.adobe.com/content/dam/Adobe/en/devnet/font/pdfs/5014.CIDFont_Spec.pdf

проверьте декодирование кодов шрифтов CID в эквивалентные символы ASCII для получения дополнительной информации

Источник
Другие вопросы по тегам