Wenn ein PDF korrekt aussieht, beim Einfügen in einen Nur-Text-Editor jedoch andere Zeichen entstehen, überprüfen Sie die Ursache, bevor Sie Schriftarten ändern oder OCR ausführen. Die Zuordnung zwischen der auf der Seite gezeichneten Form und dem von ihr dargestellten Zeichen ist möglicherweise falsch. Die Korrektur dieser PDF-Textfehler beginnt mit der Identifizierung, welcher Teil dieses Prozesses fehlgeschlagen ist.
Warum kann Text richtig aussehen, aber falsch kopiert werden?
PDF-Textinhalte können schriftartspezifische Quellzeichencodes anstelle von Unicode-Text speichern. Ein PDF-Reader verwendet die Schriftart- und Codierungsinformationen, um eine Glyphe zu finden und zu zeichnen. Das Kopieren erfordert auch die Übersetzung dieser Codes in aussagekräftige Zeichen.
Das Zeichnen des Buchstabens A garantiert daher nicht, dass die Extraktion A zurückgibt. ToUnicode ist eine Zuordnung in einem Schriftartenwörterbuch, das PDF-Quellzeichencodes mit Unicode-Zeichenfolgen verknüpft. Diese Unterscheidung zwischen Anzeigen und Extrahieren von Text wird in Adobe PDF Referenz, Abschnitt 5.9 beschrieben.
Was bedeutet eigentlich Font Mapping?
Diese drei Konzepte hängen zusammen, sind jedoch nicht austauschbar:
| Abbildung | Hauptrolle |
|---|---|
Die cmap-Tabelle in einer Schriftartdatei | Ordnet Zeichencodes Glyphenindizes zu; Unicode-Untertabellen verwenden Unicode-Codes |
| PDF Kodierung; Zusammengesetzte Schriftarten können einen Encoding CMap verwenden | Interpretiert PDF-Quellzeichencodes und hilft beim Auffinden der zu zeichnenden Glyphe |
PDF ToUnicode | Ordnet PDF-Quellzeichencodes Unicode-Text zum Kopieren und Extrahieren zu |
Für die erste Art siehe OpenType cmap Spezifikation. Die hier besprochene Reparatur zielt auf das dritte Problem ab; Die Schriftartdatei wird nicht neu erstellt und die Glyphen auf der Seite werden nicht ersetzt.
Eine fehlende ToUnicode-Zuordnung führt nicht immer zu verstümmeltem Text. Ein PDF-Reader kann manchmal Text aus einer Standardkodierung, bekannten Glyphennamen oder einer Zeichensammlung wiederherstellen. Umgekehrt kann eine Mapping-Tabelle vorhanden sein und dennoch falsche Zuordnungen enthalten.
Überprüfen Sie zunächst, ob die Zuordnung das Problem ist
Kopieren Sie eine kurze Passage in einen Nur-Text-Editor und vergleichen Sie sie mit der Originalseite:
| Symptom | Was Sie zuerst überprüfen sollten |
|---|---|
| Die Seite sieht korrekt aus, aber kopierte Zeichen werden immer wieder in andere Zeichen umgewandelt | Fehlende oder falsche Zeichenzuordnungen |
| Sie können nur ein Bild auswählen, keinen Text | Eine fehlende Textebene oder in Konturen umgewandelter Text; Betrachten Sie die Quelldatei oder OCR |
| Auf einer gescannten Seite kann Text ausgewählt werden, der jedoch nicht mit dem Bild übereinstimmt | Die Erkennung führt zur Textebene OCR |
| Einzelne Zeichen sind korrekt, aber Spalten oder Tabellen sind nicht in der richtigen Reihenfolge | Lesereihenfolge und Layout-Extraktion |
| Die Seite selbst enthält fehlende Zeichen oder Felder | Schriftartressourcen, Glyphenabdeckung oder Anzeigekodierung |
Hierbei handelt es sich um Hinweise zur Fehlerbehebung, nicht um Diagnosen, die allein auf dem Aussehen basieren. Das Einbetten von Schriftarten und das korrekte Kopieren sind ebenfalls separate Anliegen. siehe PDF Schriftarteneinbettung und Teilmengen.
Wie kann man kopierten Text mit den Original-Glyphen korrigieren?
Angenommen, der Quellcode <0001> in einer bestimmten Schriftart zeichnet A, wird aber fälschlicherweise auf 错 (U+9519) abgebildet. Dies ist ein illustratives Mapping-Fragment, keine vollständige CMap-Datei:
Before: <0001> <9519>
After: <0001> <0041>
<0001> ist ein PDF-Quellcode in dieser Schriftart, nicht das Unicode-Zeichen U+0001. Durch die Zuordnung zu U+0041 wird angegeben, dass die Glyphe A darstellt. Ein ligature (mehrere Buchstaben teilen sich ein Glyph) muss möglicherweise auch mehreren Unicode-Zeichen zugeordnet werden, z. B. fi.
Sobald Sie bestätigt haben, dass eine Mapping-Reparatur angemessen ist, verwenden Sie PDF Textreparaturtool:
- Wählen Sie PDF und dann die zu korrigierende Schriftart aus.
- Vergleichen Sie die ursprünglichen Glyphen im Raster und geben Sie unter jedem Glyphen den richtigen Text ein.
- Exportieren Sie das reparierte PDF und bewahren Sie das Original zum Vergleich auf.
Eine Änderung gilt überall dort, wo dieselbe Schriftart und derselbe Quellcode verwendet werden. Überprüfen Sie unterschiedliche Schriftarten separat, auch wenn ihre Namen übereinstimmen. Wenn OCR nur ein Wort falsch erkannt hat, kann die globale Neuzuordnung eines Zeichens auch Text beschädigen, der bereits korrekt war.
Wie überprüfen Sie die Reparatur?
Öffnen Sie die exportierte Datei erneut, kopieren Sie sie und suchen Sie in Ihrem Ziel-PDF-Reader nach Beispieltext. Überprüfen Sie andere Vorkommen desselben Codes und derselben Schriftarten, die Sie nicht bearbeitet haben. Vergleichen Sie das Erscheinungsbild der Seite und überprüfen Sie Satzzeichen, Ligaturen und Zahlen, anstatt nur das erste falsche Zeichen zu testen.
Einige PDFs verwenden auch ActualText, um Ersatztext bereitzustellen, was unterstützende Software möglicherweise bevorzugt. Wenn das Problem durch Ändern von ToUnicode nicht behoben wird, prüfen Sie, ob diese Außerkraftsetzung vorliegt. Das aktuelle Tool warnt vor ActualText, bearbeitet es jedoch nicht. Siehe Erklärung der PDF-Zuordnung.
Korrigieren Sie bei OCR-Fehlern die Textebene oder erkennen Sie sie erneut. Wenn Sie über die ursprüngliche Layoutdatei verfügen, sollten Sie diese korrigieren und eine neue PDF exportieren. Dateien, die sich nicht öffnen lassen oder strukturelle Fehler auslösen, erfordern einen anderen Ansatz; siehe wenn eine Reparatur des PDF-Formats angebracht ist.
Sobald Sie ein Problem mit der Schriftartenzuordnung festgestellt haben, beheben Sie es mit lokales Textreparaturtool PDF. Dateien werden in Ihrem Browser verarbeitet, ohne sie hochzuladen. Sie sollten nach dem Exportieren dennoch den kopierten Text und das Erscheinungsbild der Seite überprüfen.
